PROTOTIPE APLIKASI PENGOLAHAN SINYAL HRV MENGGUNAKAN MATLAB
74
PROTOTIPE APLIKASI PENGOLAHAN SINYAL HRV MENGGUNAKAN MATLAB SKRIPSI untuk memenuhi salah satu persyaratan mencapai derajat Sarjana S1 Disusun oleh: Badar Pradipta 13524070 Jurusan Teknik Elektro Fakultas Teknologi Industri Universitas Islam Indonesia Yogyakarta 2020
Transcript of PROTOTIPE APLIKASI PENGOLAHAN SINYAL HRV MENGGUNAKAN MATLAB
PROTOTIPE APLIKASI PENGOLAHAN SINYAL HRV
MENGGUNAKAN MATLAB
SKRIPSI
untuk memenuhi salah satu persyaratan
mencapai derajat Sarjana S1
Disusun oleh:
Badar Pradipta
13524070
Jurusan Teknik Elektro
Fakultas Teknologi Industri
Universitas Islam Indonesia
Yogyakarta
2020
i
LEMBAR PENGESAHAN
PROTOTIPE APLIKASI PENGOLAHAN SINYAL HRV MENGGUNAKAN MATLAB
TUGAS AKHIR
Diajukan sebagai Salah Satu Syarat untuk Memperoleh
Gelar Sarjana Teknik
pada Program Studi Teknik Elektro
Fakultas Teknologi Industri
Universitas Islam Indonesia
Disusun oleh:
Badar Pradipta
13524070
Bogor, 25-07-2020
Menyetujui,
Pembimbing
Alvin Sahroni, S.T., M.Eng., Ph.D.
NIK: 095240402
ii
LEMBAR PENGESAHAN
SKRIPSI
PROTOTIPE APLIKASI PENGOLAHAN SINYAL HRV MENGGUNAKAN MATLAB
Dipersiapkan dan disusun oleh:
Badar Pradipta
13524070
Telah dipertahankan di depan dewan penguji
Pada tanggal: 13 Agustus 2020
Susunan dewan penguji
Ketua Penguji : Alvin Sahroni, S.T., M.Eng., Ph.D. __________________
Anggota Penguji 1: Yusuf Aziz Amrullah, S.T., M.Sc., Ph.D. _____________
Anggota Penguji 2: Firdaus, S.T., M.T. __________________
Skripsi ini telah diterima sebagai salah satu persyaratan
untuk memperoleh gelar Sarjana
Tanggal: 24 Agustus 2020
Ketua Program Studi Teknik Elektro
Yusuf Aziz Amrullah, S.T., M.Sc., Ph.D.
045240101
iii
PERNYATAAN
iv
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah Subhanahu wa Ta’ala yang telah memberikan
segala nikmat, rahmat dan hidayah-Nya sehingga pada akhirnya penulis dapat menyelesaikan
tugas akhir yang berjudul “PROTOTIPE APLIKASI PENGOLAHAN SINYAL HRV
MENGGUNAKAN MATLAB”. Tidak lupa shalawat dan salam senantiasa tercurahkan kepada
junjungan kita Nabi Muhammad Shallallahu ‘Alaihi wassallam yang telah menuntun kita dari dari
zaman kegelapan ke zaman yang terang benderang ini. Tujuan penulisan skripsi ini untuk
memenuhi sebagian syarat memperoleh gelar Sarjana Teknik (S.T.) bagi mahasiswa program S1
di program studi Teknik Elektro Fakultas Teknologi Industri Universitas Islam Indonesia.
Tugas akhir ini penulis selesaikan dengan mengikuti tahap-tahap pengerjaan dari teori yang
telah penulis dapatkan selama masa studi. Selama proses penyelesaian tugas akhir ini penulis
banyak memperoleh ilmu dan pengalaman yang sangat bermanfaat bagi penulis. Penulis
menyadari sepenuhnya bahwa isi dari tugas akhir ini masih jauh dari sempurna karena keterbatasan
ilmu dan pengetahuan penulis sebagai mahasiswa, oleh karena itu dengan segala kerendahan hati,
penulis menerima saran dan kritikan yang sifatnya membangun dari semua pihak. Pada
kesempatan ini penulis ingin menyampaikan rasa terima kasih kepada:
1. Allah Subhanahu wa Ta’ala dengan segala rahmat dan nikmat-Nya yang telah
mengizinkan penulis menyelesaikan skripsi ini.
2. Kedua orang tua penulis, Ibu dan Bapak tercinta yang selalu mendukung, mendoakan,
membiayai penulis dalam segala hal apapun.
3. Bapak Alvin Sahroni, S.T., M.Eng., Ph.D. selaku dosen pembimbing yang telah banyak
sekali membantu, memberikan bimbingan dan pengarahan dengan sangat sabar kepada
penulis dalam penyusunan tugas akhir ini.
4. Ketiga adik-adik yang selalu menjadi motivasi penulis.
5. Dosen-dosen dan karyawan Jurusan Teknik Elektro Fakultas Teknologi Industri UII,
yang bersedia dengan sabar membantu dan berbagi ilmunya selama masa belajar dan
pembuatan tugas akhir.
6. Teman-teman Teknik Elektro angkatan 2013 yang telah banyak membantu dan
memberikan motivasi kepada penulis.
v
Akhir kata penulis sampaikan harapan semoga tugas akhir ini dapat memberikan manfaat
khususnya bagi penulis dan pembaca pada umumnya. Semoga Allah Subhanahu wa Ta’ala selalu
memberikan rahmat dan hidayah-Nya kepada kita semua. Aamiin.
Wassalaamu'alaikum warahmatullaahi wabarakaatuh
Bogor, 25 Juli 2020
Badar Pradipta
vi
ARTI LAMBANG DAN SINGKATAN
BPM = Beats Per Minute
ECG = Electrocardiogram
PJK = Penyakit Jantung Koroner
PDI = Program Dari Internet
HRV = Heart Rate Variability
PTSD = Posttraumatic Stress Disorder
GUI = Graphical User Interface
SDNN/RR = Standard Deviation Normal-to-Normal/R-to-R intervals
CVRR = The Coefficient of Variation of RR Intervals
ULF = Ultra Low Frequency
VLF = Very Low Frequency
LF = Low Frequency
HF = High Frequency
NN50 = Number of pairs of adjacent NN intervals, differing by more than 50 ms in the entire
recording.
pNN50 = NN50 count divided by the total number of all NN intervals
RMSSD = The square Root of the Mean of the Sum of the Squares of Differences between
adjacent NN intervals.
vii
ABSTRAK
Variabilitas detak jantung atau heart rate variability (HRV) adalah variasi dari interval antar detak
jantung/RR Interval (interval antara puncak R-R dalam sinyal ECG). Secara umum analisis HRV
bisa dilakukan dengan 2 metode, yaitu analisis HRV domain waktu (time domain analysis), dan
domain frekuensi (frequency domain analysis). Di era digital ini, raw data ECG bisa ditemukan
dengan mudah diberbagai halaman di internet, namun hanya sebatas raw data saja. Data yang
disediakan tidak disertai dengan adanya perhitungan analisis nilai HRV. Berdasarkan temuan
tersebut penulis terinspirasi membuat sebuah “Prototipe Aplikasi Pengolahan Sinyal HRV
Menggunakan MATLAB”. Prototipe aplikasi ini menggunakan Graphical User Interface (GUI)
MATLAB. Format data yang dapat dibaca dan diproses oleh aplikasi ini terbatas pada data dengan
format .mat dan .txt. GUI dibuat dengan fitur berbagai input from user. GUI menampilkan nilai-
nilai parameter HRV domain waktu antara lain Mean RR, SDRR, CVRR dan BPM serta parameter
HRV domain frekuensi yaitu nilai power dari VLF, LF, dan HF. Output GUI dibandingkan dengan
tools lain (software Kubios HRV, dan Program Dari Internet (PDI)). Dari 8 sample raw data ECG
yang digunakan (4 data berdurasi 30 menit dan 4 data berdurasi 1 jam) untuk validasi, diketahui
tidak ditemui perbedaan nilai BPM. Diketahui selisih perbandingan rata-rata nilai terbesar pada :
(1) Mean RR, yaitu 0,1398 ms. (2) SDRR, yaitu 109,9175 ms. Selisih nilai yang cukup besar ini
terjadi karena pada Kubios HRV terdapat fitur Artifact correction, yang akan mengoreksi puncak-
puncak R yang tidak normal. (3) CVRR, yaitu 0,1518%. Dapat diambil kesimpulan perhitungan
pada program GUI sudah relatif benar. Untuk HRV domain frekuensi terjadi perbedaan nilai power
dan pola urutan pita frekuensi, karena pada Kubios HRV terdapat fitur Artifact correction. Hal ini
menyebabkan setiap karakteristik artifact correctionnya akan menghasikan nilai parameter HRV
yang berbeda-beda.
Kata Kunci : ECG, RR interval, HRV, GUI, MATLAB, Time Domain, Frequency Domain
viii
DAFTAR ISI
LEMBAR PENGESAHAN ......................................................................................................... i
LEMBAR PENGESAHAN ........................................................................................................ ii
PERNYATAAN ........................................................................................................................ iii
KATA PENGANTAR ............................................................................................................... iv
ARTI LAMBANG DAN SINGKATAN .................................................................................... vi
ABSTRAK ............................................................................................................................... vii
DAFTAR ISI ........................................................................................................................... viii
DAFTAR GAMBAR .................................................................................................................. x
DAFTAR TABEL .................................................................................................................... xii
BAB 1 PENDAHULUAN .......................................................................................................... 1
1.1 Latar Belakang Masalah ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................................. 2
1.3 Batasan Masalah ..................................................................................................... 2
1.4 Tujuan Penelitian .................................................................................................... 3
1.5 Manfaat Penelitian .................................................................................................. 3
BAB 2 TINJAUAN PUSTAKA ................................................................................................. 4
2.1 Studi Literatur ........................................................................................................ 4
2.2 Tinjauan Teori ........................................................................................................ 5
2.2.1 Detak Jantung ...................................................................................................... 5
2.2.2 Electrocardiogram (ECG) ................................................................................... 6
2.2.3 Hear Rate Variability (HRV) / Variabilitas Detak Jantung ................................... 7
2.2.4 Analisis HRV pada domain waktu (time domain analysis) ................................... 7
2.2.5 Analisis parameter HRV pada domain frekuensi (frequency domain analysis) ..... 9
BAB 3 METODOLOGI ........................................................................................................... 13
3.1 Dataset yang digunakan ........................................................................................ 13
ix
3.2 Perancangan sketsa user interface ......................................................................... 13
3.3 Algoritme aplikasi dan penjelasannya ................................................................... 16
3.4 Metode validasi GUI............................................................................................. 21
BAB 4 HASIL DAN PEMBAHASAN ..................................................................................... 22
4.1 Hasil Perancangan GUI ........................................................................................ 22
4.1.1 HRV domain waktu ........................................................................................... 25
4.1.2 HRV domain frekuensi ...................................................................................... 26
4.2 Validasi data ......................................................................................................... 28
4.3 User experience .................................................................................................... 37
BAB 5 KESIMPULAN DAN SARAN ..................................................................................... 40
5.1 Kesimpulan .......................................................................................................... 40
5.2 Saran .................................................................................................................... 40
DAFTAR PUSTAKA ............................................................................................................... 41
LAMPIRAN ............................................................................................................................. 44
x
DAFTAR GAMBAR
Gambar 2. 1 Morfologi Jantung[33]. ........................................................................................... 5
Gambar 2. 2 Morfologi sinyal EKG[34]. ..................................................................................... 6
Gambar 2. 3 Gelombang P, kompleks QRS, dan T [35]. ............................................................. 6
Gambar 2. 4 Puncak-puncak R.................................................................................................... 9
Gambar 2. 5 Plot RR time series 30 sample data (RR interval) ................................................. 10
Gambar 2. 6 Interpolasi Linear[36]. .......................................................................................... 10
Gambar 2. 7 RR interval yang melewati proses interpolasi lalu di resampling [37]. .................. 11
Gambar 2. 8 Plot domain frekuensi (power spectral density) dengan pembagian 3 pita frekuensinya
................................................................................................................................................. 12
Gambar 3. 1 Sketsa awal interface menggunakan paint ............................................................ 13
Gambar 3. 2 Desain akhir interface GUI ................................................................................... 14
Gambar 3. 3 Cara penggunaan GUI .......................................................................................... 14
Gambar 3. 4 flow chart algoritme sistem GUI ........................................................................... 17
Gambar 3. 5 Cari data ECG ...................................................................................................... 17
Gambar 3. 6 Input frekuensi sampling ...................................................................................... 17
Gambar 3. 7 Durasi Data ECG = Durasi Standar Analisis HRV ? ............................................. 18
Gambar 3. 8 Data ECG sumbu-x detik/menit ............................................................................ 18
Gambar 3. 9 Input durasi data ECG (detik) yang ingin di analisis HRVnya ............................... 19
Gambar 3. 10 Input threshold ................................................................................................... 19
Gambar 3. 11 RR interval ......................................................................................................... 19
Gambar 3. 12 Data ECG > threshold ........................................................................................ 20
Gambar 3. 13 HRV domain waktu ............................................................................................ 20
Gambar 3. 14 HRV domain frekuensi ....................................................................................... 20
xi
Gambar 4. 1 Hasil perancangan interface GUI .......................................................................... 22
Gambar 4. 2 Hasil perancangan interface GUI - Fungsi perbesar plot PSD ............................... 23
Gambar 4. 3 Cara penggunaan GUI .......................................................................................... 23
Gambar 4. 4 HRV domain waktu .............................................................................................. 25
Gambar 4. 5 HRV domain frekuensi ......................................................................................... 26
Gambar 4. 6 Output dari GUI 1 (file name 103m.mat) .............................................................. 28
Gambar 4. 7 Output Kubios HRV dan PDI 1 (file name 103m.mat) .......................................... 29
Gambar 4. 8 Output dari GUI 2 (file name 16273m.mat) .......................................................... 29
Gambar 4. 9 Output Kubios HRV dan PDI 2 (file name 16273m.mat) ...................................... 30
Gambar 4. 10 Artifact correction .............................................................................................. 35
Gambar 4. 11 Contoh artifact correction pada Kubios HRV ..................................................... 35
Gambar 4. 12 Hasil pertanyaan user experience 1 dan 2 ........................................................... 38
Gambar 4. 13 Hasil pertanyaan user experience 3 dan 4 ........................................................... 38
Gambar 4. 14 Hasil pertanyaan user experience 5 ..................................................................... 39
xii
DAFTAR TABEL
Tabel 3. 1 Komponen-komponen GUI ...................................................................................... 15
Tabel 4.1 Perbandingan hasil perhitungan parameter HRV ....................................................... 31
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Variabilitas detak jantung atau heart rate variability (HRV) adalah variasi dari interval antar
detak jantung (atau antara puncak R-R dalam data ECG) yang dihitung dalam satuan waktu [1].
HRV memberikan gambaran gejala fisiologis dari detak jantung, dan sebagai parameter yang
berguna untuk memahami keseimbangan antara aktivitas 2 cabang sistem saraf otonom (saraf
simpatis dan parasimpatis) [2]. Salah satu fungsi HRV yang sangat penting adalah untuk
mengetahui tingkat stres dan kelelahan (pikiran maupun fisik) seseorang [3]. Untuk mengetahui
karakteristik HRV seseorang, kita harus memiliki rekam jantungnya terlebih dahulu. Rekam
jantung bisa dilakukan menggunakan alat yang bernama Elektrokardiograf, dari Elektrokardiograf
ini akan dihasilkan sebuah sinyal Elektrokardiogram (ECG) yang dihasilkan oleh aktivitas listrik
otot jantung. Dari sinyal ECG inilah seseorang dapat mengetahui informasi keadaan jantungnya
apakah normal atau adanya suatu kelainan [4]. Pada umumnya, sinyal ECG ditampilkan melalui
monitor atau dicetak pada kertas khusus ECG. Dari sinyal ECG tersebut, pengukuran yang paling
sederhana untuk dilakukan adalah dengan menganalisis parameter domain waktu (time domain
analysis). Dengan metode ini baik detak jantung pada titik waktu tertentu, ataupun interval antara
2 puncak R (dalam gelombang kompleks QRS) berturut-turut dapat ditentukan. Sedangkan metode
domain frekuensi (frequency domain analisys) menggunakan analisis power spectral density
(PSD) yang menyediakan informasi dasar tentang bagaimana daya (power) didistribusikan sebagai
fungsi frekuensi [5].
Di berbagai halaman di internet, raw data ECG dapat dengan mudah ditemukan. Contohnya
di halaman seperti Physionet dan Physiobank ATM dimana raw data ECG bisa dengan mudah di
unduh dalam beberapa jenis format file seperti .mat, .dat, .csv. Namun, halaman internet tersebut
tidak memberikan hasil perhitungan parameter HRV dari setiap data yang mereka sediakan.
Aplikasi analisis HRV yang sudah ada umumnya menggunakan metode auto detection sinyal
ECG. Dari setiap raw data ECG yang di inputkan, nilai threshold dan durasi data ECG (yang ingin
di analisis) sudah otomatis dihitung oleh aplikasi tersebut. Parameter (threshold) untuk mendeteksi
puncak sinyal ECG tidak dapat diubah. Pada umumnya, aplikasi seperti ini juga terhubung dengan
perangkat keras yang digunakan. Hal ini menyebabkan aplikasi tidak dapat digunakan oleh orang
lain dengan konfigurasi yang berbeda pula.
2
Berdasarkan temuan tersebut, penulis terinspirasi untuk membuat Graphical User Interface
(GUI) untuk menganalisis HRV dari raw data ECG menggunakan MATLAB. Penulis
menggunakan MATLAB karena dasar-dasar pemrogramannya penulis dan rekan-rekan lainnya
pelajari selama duduk di bangku perkuliahan. Dan MATLAB adalah bahasa pemrograman
universal untuk para engineer di seluruh dunia. GUI ini khusus untuk mengolah raw data ECG
dengan jenis file .mat dan .txt saja. Penulis membuat GUI ini bertujuan agar user dapat mengetahui
parameter-parameter HRV dari raw data ECG yang mereka miliki. Target pengguna adalah orang
awam (bukan dari bidang elektro/medis) yang memiliki data rekam jantung dalam bentuk data
digital (file .mat / .txt). Interface GUI dibuat semenarik dan senyaman mungkin, agar pada user
mudah dalam menggunakannya.
Kontribusi perancangan GUI ini juga diharapkan dapat membantu menganalisis HRV dari
device-device lainnya yang menyimpan raw data ECG dalam bentuk format file yang sesuai
dengan GUI ini (.mat/.txt). Sehingga untuk pengembangan kedepannya GUI bisa dijadikan
aplikasi universal untuk menganalisis HRV.
1.2 Rumusan Masalah
1. Bagaimana merancang sebuah Graphical User Interface (GUI) untuk mengetahui
parameter HRV dalam domain waktu (BPM, Mean RR, SDRR, dan CVRR) dan domain
frekuensi (power VLF, LF, dan HF) menggunakan MATLAB ?
2. Bagaimana validasi perancangan GUI yang penulis buat terhadap aplikasi yang telah ada
(tersebar) saat ini yang disediakan secara gratis?
1.3 Batasan Masalah
1. Penelitian ini hanya untuk mengetahui parameter HRV dalam domain waktu (BPM, Mean
RR, SDRR, dan CVRR) dan domain frekuensi (power VLF, LF, dan HF).
2. Graphical user interface (GUI) ini hanya untuk data ECG dengan format file .mat dan .txt.
3. Graphical user interface (GUI) ini menggunakan software MATLAB.
4. Minimal (standar) durasi data ECG yang bisa digunakan untuk analisis HRV adalah 5
menit [1][6].
3
1.4 Tujuan Penelitian
Merancang sebuah graphical user interface (GUI) untuk mengetahui parameter HRV
dalam domain waktu (BPM, Mean RR, SDRR, dan CVRR) dan domain frekuensi (power
VLF, LF, dan HF) menggunakan MATLAB.
1.5 Manfaat Penelitian
1. Untuk membantu dalam penelitian-penelitian tentang analisis HRV di masa yang akan
datang.
2. Sebagai prototipe aplikasi analisis HRV yang cocok untuk berbagai macam device akuisisi
data rekam denyut jantung.
4
BAB 2
TINJAUAN PUSTAKA
2.1 Studi Literatur
Penelitian yang dilakukan oleh Theodorus L Hartono, Dalu Setiaji, Iwan Setyawan bertujuan
untuk menggabungkan software dan hardware untuk merekam sinyal jantung sekaligus
menganalisis HRV dari rekam jantung tersebut. Mereka menggunakan program Kubios HRV
Analysis Software 2.0 dan GUI MATLAB. Mereka menampilkan nilai parameter HRV dalam
domain waktu dan domain frekuensi dengan GUI MATLAB. Untuk domain waktu parameter
HRV yang mereka tampilkan nilainya adalah NN, mean NN, SDNN, rMSSD, NN50, dan pNN50.
Raw data ECG yang mereka gunakan diambil dari internet [7].
GUI MATLAB yang mereka buat cukup detail dalam menjabarkan nilai parameter HRV,
tetapi durasi waktu data ECG yang di analisis sudah ditentukan oleh program GUI. User tidak
dapat memilih sendiri durasi waktu dari raw data ECG yang ingin mereka ketahui parameternya.
Mereka juga tidak menampilkan sebuah nilai dasar yang biasa digunakan sebagai parameter untuk
menentukan keadaan jantung seseorang, yaitu nilai detak jantung per menit (BPM).
Penelitian lain dilakukan Agung, Ratna, dan Farhan dengan cara mendeteksi puncak R dari
beberapa sampel data ECG. Sampel data ECG yang mereka gunakan adalah data dari MIT-BIH
Arrhythmia Database, data ini bisa didapat dari halaman Physionet secara gratis. Ada beberapa
tahapan yang harus mereka lakukan sebelum dapat mengklasifikasikan hasil dari data ECG yang
digunakan, yaitu pemfilteran sinyal, deteksi sinyal kompleks QRS, penurunan sinyal,
penguadratan sinyal, deteksi puncak R, deteksi RR interval, perhitungan BPM, dan yang terakhir
adalah proses klasifikasi seluruh hasilnya.
Hasil akhir dari penelitian mereka adalah, klasifikasi antara sampel data ECG yang memiliki
jumlah denyut jantung normal atau tidak normal/aritmia (bradikardia atau nilai BPM kurang dari
60 dan takikardia atau nilai BPM lebih dari 100). Mereka menghitung RR interval tetapi tidak
menghitung parameter HRV seperti NN/RR, mean NN/RR, SDNN/SDRR, rMSSD, NN50, dan
pNN50. Mereka menggunakan fitur RR interval hanya untuk menentukan nilai BPM dari tiap
sampel data yang mereka gunakan. Mereka juga hanya menggunakan pemrograman MATLAB
biasa tanpa bantuan software lain [8]. Program mereka akan sulit jika ingin digunakan oleh orang
lain, karena mereka tidak menggunakan GUI.
5
2.2 Tinjauan Teori
2.2.1 Detak Jantung
Gambar 2.1 adalah gambar morfologi jantung. Berikut adalah tahapan proses jantung
berdetak. Jantung kita berkontraksi disebabkan oleh rangsangan dari simpul sinoatrial (SA) yang
terletak pada bagian atas serambi kanan. Simpul atrioventikular (AV) terletak diantara serambi
kanan dan bilik kanan. Berfungsi untuk menghantarkan impuls (listrik) dari serambi ke bilik.
Impuls dari simpul AV diteruskan ke seluruh bilik melalui berkas HIS (diberi nama sesuai nama
penemunya, Wilhelm His Jr). Berkas HIS adalah kumpulan sel otot jantung yang dikhususkan
untuk konduksi listrik. Sebagai bagian dari sistem konduksi listrik jantung, berkas HIS berfungsi
untuk mentransmisikan impuls listrik dari AV node[9][10]. Di ujung berkas HIS terdapat banyak
cabang-cabang yang disebut serat Purkinje, yang bertugas untuk meneruskan impuls dari HIS ke
seluruh otot bilik jantung. Hasilnya, bilik akan berkontraksi sehingga darah akan dipompa keluar
dari bilik dan mengalir ke sistem peradarah darah[11]. Ketika jantung melakukan proses
memompa darah keseluruh tubuh, satu kali siklus proses itu disebut satu detak jantung.
Detak jantung atau denyut jantung adalah seberapa banyak jantung kita berdenyut/berdetak
dalam satu menitnya (beats per minute) [12]. Detak jantung seseorang dapat menginformasikan
kondisi kesehatan fisiknya sendiri. Banyaknya detak jantung setiap orang berbeda-beda tergantung
suhu udara, posisi tubuh, emosi, ukuran tubuh, sedang menggunakan obat atau tidak, itu semua
dapat mempengaruhi denyut jantung [13]. Detak jantung dengan irama normal biasa disebut
normal sinus rhythm dalam keadaan istirahat/santai adalah 60-100 beats per minute (BPM).
Sedangkan detak jantung dengan irama yang tidak normal disebut aritmia. Aritmia terbagi menjadi
Gambar 2. 1 Morfologi Jantung[33].
6
dua yaitu takikardia (detak jantung berdetak lebih cepat dari detak jantung normal) dan brikardia
(detak jantung berdetak lebih cepat lambat dari detak jantung normal) [12].
2.2.2 Electrocardiogram (ECG)
Electrocardiogram (ECG) atau dalam bahasa Indonesianya Elektrokardiogram (EKG)
adalah suatu sinyal yang dihasilkan oleh aktivitas listrik pada jantung, yang diukur oleh sebuah
alat yang bernama Elektrokardiograf [14]. Sedangkan elektrokardiografi adalah ilmu yang
mempelajari hasil rekaman dari aktivitas listrik jantung pada permukaan tubuh [15].
ECG bekerja dengan cara mengukur potensial listrik sebagai fungsi waktu yang dihasilkan
oleh jantung. Potensial listik dihasilkan oleh pemicu denyut jantung, yang dapat merubah sistem
kelistrikan jantung. Beda potensial inilah yang divisualisasikan sebagai sinyal/grafik ECG, dan
dicetak langsung pada kertas khusus ECG atau hanya ditampilkan pada monitor [16].
Gelombang P menggambarkan depolarisasi atrial yang dipicu oleh node SA, segmen PR
menunjukkan berhentinya impuls pada AV node, gelombang QRS menggambarkan depolarisasi
ventrikel, segment ST menggambarkan tidak adanya impuls yang disebabkan adanya periode
refrakter di sel miokardium, dan gelombang T menggambarkan repolarisasi pada aktivitas gerak
jantung [17].
Gambar 2. 2 Morfologi sinyal EKG[34].
Gambar 2. 3 Gelombang P, kompleks QRS, dan T [35].
7
Untuk menuliskan sinyal ECG harus menggunakan kertas khusus tersendiri yang
digunakan untuk menggambar hasil aktivitas listrik pada jantung. Kertas ECG dengan ukuran 25
mm/s memiliki 2 kotak, yaitu kotak besar dan kotak kecil. Dimana 1 kotak besar sama dengan 5
kotak kecil. 1 kotak besar memiliki ukuran 0,2 sec (bidang horizontal) x 5 mm (bidang vertikal).
Dan 1 kotak kecil memiliki ukuran 0,04 sec (bidang horizontal) x 1 mm (bidang vertikal) [18].
Dengan pesatnya digitalisasi data, data ECG juga sudah banyak sekali yang tersedia dalam
format digital seperti dalam format file .mat, .txt, .dat, .csv dll. Halaman internet Physionet adalah
salah satu penyedia raw data ECG terbesar dan terlengkap. Disana terdapat data ECG dengan
berbagai keadaan yang berbeda-beda pada setiap individunya. Ada detak jantung normal, ada yang
aritmia, dll. Keunggulan data ECG yang disimpan dalam bentuk digital adalah dapat dengan
mudah untuk diproses dan analisis menggunakan berbagai komputer dengan berbagai macam
aplikasi gratis yang tersedia banyak di internet.
2.2.3 Hear Rate Variability (HRV) / Variabilitas Detak Jantung
Heart rate variability (HRV) atau variabilitas detak jantung adalah variasi dari interval
antara detak jantung (atau antara gelombang R-R dalam ECG) berturut-turut yang dihitung dalam
satuan waktu [1]. Sinyal ECG standar terdiri dari 3 gelombang yaitu gelombang P, kompleks QRS,
dan gelombang T. Dari ketiga gelombang ini puncak R memiliki amplitudo paling besar, dan hal
inilah yang menyebabkan mengapa pengukuran HRV dihitung dari nilai interval antara puncak R
dengan puncak R (RR interval) [6]. Sedangkan interval dari gelombang kompleks QRS yang
berdekatan biasa disebut dengan interval N-N (normal-normal) [19].
HRV berguna untuk memahami keseimbangan antara aktivitas 2 cabang sistem saraf
otonom (saraf simpatis dan parasimpatis) dan bisa merepresentasikan keadaan fisik dan mental
seseorang [2]. Ketika tubuh sedang melakukan aktifitas fisik berat seperti berlari, maka sistem
saraf simpatis akan mengambil alih dengan membuat jantung berdetak lebih cepat, dan sebaliknya
ketika tubuh dalam keadaan santai, giliran sistem saraf parasimpatis yang mengambil alih, yang
akan membuat jantung menjadi lebih pelan dalam berdetak [20]. Saat ini, sudah banyak ditemukan
alat-alat yang dapat mengukur HRV dengan instan. Pengukuran HRV secara umum sendiri dapat
dilakukan dengan dua metode, yaitu metode domain waktu dan metode domain frekuensi [5].
2.2.4 Analisis HRV pada domain waktu (time domain analysis)
Analisis HRV pada domain waktu mengukur interval antara detak jantung (dalam siklus
jantung normal) secara berturut-turut. Biasanya dari perekaman ECG selama 24 jam setiap sinyal
8
kompleks QRS akan terdeteksi, yang berarti RR interval juga terdeteksi. Dari nilai RR interval
inilah parameter-parameter HRV dari suatu perekaman data ECG dapat diketahui, seperti Mean
RR, SDRR, BPM, dan CVRR[21]. Ke empat nilai parameter HRV domain waktu tersebut adalah
nilai yang akan ditampilkan pada GUI ini, berikut adalah penjelasannya :
1. Mean RR interval
Mean RR interval adalah nilai rata-rata dari seluruh RR interval (dalam rentang durasi
tertentu). Mean RR adalah salah satu nilai yang akan penulis tampilkan pada GUI, karena
berhubungan dengan perhitungan parameter BPM. Berikut persamaannya.
(2.1)
2. Beats per minute (BPM)
BPM adalah parameter yang utama dan harus diketahui sebelum melakukan analisis
HRV maupun karakteristik denyut jantung manusia. Persamaan untuk mencari
parameter BPM adalah sebagai berikut [8][6].
(2.2)
3. Standard Deviation Normal-to-Normal/R-to-R intervals (SDNN / SDNN)
SDNN/SDRR Adalah standar deviasi dari seluruh NN interval / RR interval. Berikut
persamaannya
(2.3)
4. The Coefficient of Variation of RR Intervals (CVRR)
CVRR adalah rasio/perbandingan antara SDRR dengan Mean RR, nilai parameter ini
dalam persentase (%). Berikut persamaannya [22][23].
(2.4) CVRR =
SDRR
Mean RR%
x̅ =x1 + x2 + x3 … xn
n
SDRR = √∑ (xi − x̅)2n
i=1
n − 1
BPM =60
x̅
9
Keterangan :
2.2.5 Analisis parameter HRV pada domain frekuensi (frequency domain analysis)
Setelah puncak-puncak R dapat dideteksi. Langkah selanjutnya adalah mencari interval
antara puncak R ke puncak R terdekat (RR interval). Gambar 2.4 adalah contoh dari puncak-
puncak R yang sudah terdeksi.
Bisa dilihat pada gambar 2.4 ada jarak antar puncak R satu dengan puncak R yang lain.
Jarak dari setiap puncak R ke puncak R lain (dalam durasi waktu tertentu) akan disimpan dalam
sebuah variabel data oleh MATLAB. Yang jika variabel itu di plot akan menjadi data RR time
series (gambar 2.5 hanya menampilkan 30 sample data RR time series) seperti pada gambar 2.5.
i = mewakili bilangan data ke 1,2,3 dan seterusnya
xi = data RR interval ke i
n = jumlah RR interval
x1 + x2 + x3 … xn = data RR interval ke 1,2,3 sampai data ke n.
n = jumlah RR interval
x̅ = Mean RR interval
Gambar 2. 4 Puncak-puncak R
10
Data RR time series ini belum dapat digunakan untuk menganalisis domain frekuensi
HRV. Masih dibutuhkan beberapa proses lagi. Selanjutnya data RR time series harus di
resampling. Sebelum di resampling RR time series harus melewati tahapan interpolasi linear
terlebih dahulu. Interpolasi linear secara umum adalah cara mencari nilai di antara 2 data
berdasarkan persamaan linear (garis lurus). Contoh kasus interpolasi linear seperti pada gambar
2.6.
Dari gambar 2.6 didapatkan sebuah nilai persamaan seperti berikut
(2.5)
Dari persamaan tersebut nilai X dan Y bisa ditentukan dengan persamaan berikut
(2.6)
Y = Y1 +(X − X1)
(X2 − X1)(Y2 − Y1)
(X − X1)
(X2 − X1)=
(Y − Y1)
(Y2 − Y1)
Gambar 2. 5 Plot RR time series 30 sample data (RR interval)
Gambar 2. 6 Interpolasi Linear[36].
11
(2.7)
X dan Y adalah titik yang dicari menggunakan teknik interpolasi linear. Interpolasi linear
diterapkan pada data RR time series untuk menurunkan/meningkatkan resolusi (jumlah) data pada
titik-titik tertentu. Selanjutnya data yang sudah di interpolasi akan di resampling. Karena range
pada sumbu-x (frekuensi) pada plot PSD nantinya hanya dibutuhkan 0 – 0,5 Hz. Maka data RR
time series akan di resampling senilai 2 kali nilai maksimal sumbu-x yaitu, 0,5 Hz x 2 = 1 Hz [24].
RR time series akan di resampling menjadi 1 Hz (walaupun pada plot PSD yang ditampilkan GUI
hanya 0 – 0,5 Hz saja). Data RR interval yang melalui proses interpolasi linear dan resampling
secara garis besar bisa dilihat pada gambar 2.7 .
Selanjutnya nilai tersebut diproses kembali menggunakan algoritme FFT. Terakhir adalah
membagi frekuensi yang sudah didapatkan melalui serangkaian proses tadi menjadi 3 pita
frekuensi.
Dari pembagian pita frekuensi inilah fungsi dari sistem saraf simpatis dan parasimpatis dapat
diketahui. Disepakati bahwa saraf simpatis dan saraf parasimpatis memiliki rentang frekuensi
tertentu yakni sebagai berikut:
X = X1 +(Y − Y1)
(Y2 − Y1)(X2 − X1)
Gambar 2. 7 RR interval yang melewati proses interpolasi lalu di resampling [37].
12
1. Neuro-hormonal, berada pada Very Low Frequency, <0.04 Hz.
2. Syaraf Simpatis, berada pada Low Frequency, 0.04-0.15 Hz.
3. Syaraf Parasimpatis, berada pada High Frequency, 0.15-0.4 Hz [25].
Nilai power pada setiap pitanya (VLF, LF, dan HF) adalah nilai penjumlahan pada sumbu Y
(di range masing-masing pita). Nilai power dihitung dengan persamaan sebagai berikut :
(2.8)
Setelah RR interval melewati proses interpolasi linear dan resampling. Lalu hasilnya di
proses kembali menggunakan algoritma FFT dan dibagi menjadi 3 pita frekuensi dan di plot seperti
pada gambar 2.8 .
n =
n
= Titik puncak frekuensi (pada setiap rangenya)
sampai data ke n
=
jumlah data power pada domain frekuensi.
𝐏1 + 𝐏2 + 𝐏3 + ⋯ 𝐏n
Keterangan :
𝑃𝑜𝑤𝑒𝑟 (di setiap frekuensinya) = 𝐏1 + 𝐏2 + 𝐏3 + ⋯ 𝐏n
Gambar 2. 8 Plot domain frekuensi (power spectral density) dengan pembagian 3 pita frekuensinya
= nilai data power ke 1, 2, 3 sampai n pada domain frekuensi.
13
BAB 3
METODOLOGI
3.1 Dataset yang digunakan
Raw data ECG yang digunakan adalah yang sinyalnya teridentifikasi dengan jelas pada bagian
sinyal P, kompleks QRS, dan sinyal T (khususnya puncak R). Ada 8 sampel raw data ECG yang
digunakan, 4 sampel dengan durasi 60 menit (tidak ada detail keterangan dari website Physionet)
dan 4 sampel dengan durasi 30 menit (sampel 1 adalah laki-laki dan sampel 2-4 adalah perempuan,
semua sampel dalam keadaan sedang mengkonsumsi obat). Semua raw data ECG yang digunakan
untuk validasi diambil dari website https://archive.physionet.org/cgi-bin/atm/ATM. Raw data
yang diambil detailnya sebagai berikut :
1. MIT-BIH Arrhythmia database (mitdb) dengan durasi 30 menit (panjang data 650000
kolom x 2 baris), dan dengan frekuensi sampling 360 (Hz).
2. MIT-BIH Normal Sinus Rhythm Database (nsrdb) dengan durasi 60 menit (panjang data
460800 kolom x 2 baris), dan dengan frekuensi sampling 128 (Hz).
3.2 Perancangan sketsa user interface
Sebelum membuat GUI penulis harus mendesain terlebih dahulu sketsa interfacenya,
karena interface yang bagus dan menarik menjadi daya tarik sendiri bagi user. Kenyamanan user
dalam menggunakan aplikasi juga harus diperhatikan, agar user tidak cepat bosan dan betah
berlama-lama dalam menggunakan aplikasi ini. Bisa dilihat pada gambar 3.1 adalah sketsa awal
interface.
Gambar 3. 1 Sketsa awal interface menggunakan paint
14
Dari realisasi sketsa awal GUI, penulis mendapatkan banyak ide-ide untuk membuat GUI
menjadi lebih menarik dan simple namun tetap informatif. Setelah melakukan beberapa kali
perubahan, akhirnya desain akhir GUI sudah diberhasil dirancang seperti pada gambar 3.2.
GUI dibuat semudah mungkin untuk digunakan oleh para user. Dapat dilihat pada gambar
3.3 adalah realisasi dari rancangan dan cara penggunaan GUI. Penjelasan tentang cara kerja dari
rancangan GUI dilambangkan dengan huruf kapital, yang detailnya adalah sebagai berikut
Bagian A adalah komponen-komponen yang menampung semua nilai inputan pada
GUI. Mulai dari nilai input frekuensi sampling (fs), input durasi raw data ECG yang
ingin di analisis (detik), dan input nilai threshold. Nilai threshold adalah nilai
ambang batas, atau suatu nilai yang dijadikan batasan minimal (amplitudo) dari
sebuah data ECG yang dianggap sebagai puncak R..
Bagian B adalah output dari GUI, yaitu nilai-nilai parameter HRV pada domain
waktu (BPM, Mean RR, SDRR, dan CVRR).
Gambar 3. 2 Desain akhir interface GUI
Gambar 3. 3 Cara penggunaan GUI
15
Bagian C adalah output dari GUI, yaitu nilai parameter HRV pada domain frekuensi
(power VLF, LF, dan HF).
Bagian D adalah komponen (axes) yang akan menampilkan hasil plotting dari raw
data ECG, data ECG dalam sumbu-x waktu (detik & menit) dan data ECG yang
nilainya lebih besar dari nilai threshold.
Bagian E adalah komponen (axes) yang menampilkan grafik hasil plotting nilai RR
interval.
Bagian F adalah komponen (axes) yang menampilkan grafik hasil plotting dari output
GUI, yaitu hasil komponen spektrum frekuensi (HRV domain frekuensi) dari RR
interval (time series - pada bagian E) dalam satuan sec2 /Hz (power spectral density).
Bagian G adalah komponen yang berfungsi untuk mereset seluruh grafik pada GUI.
Bagian H adalah komponen yang berfungsi untuk melakukan ekspor nilai RR
interval yang telah berhasil di ekstraksi oleh GUI ke dalam bentuk file text.
Bagian I adalah komponen yang berfungsi untuk memperbesar gambar plotting
spektrum frekuensi (power spectral density) pada bagian F.
GUI dibuat dari kumpulan komponen-komponen dan perintah program yang
mempermudah user dalam menggunakan sebuah program. Berikut adalah komponen-komponen
yang digunakan dalam pembuatan GUI ini.
Tabel 3. 1 Komponen-komponen GUI
Nama Komponen Jumlah Fungsi
Push Button 11
Komponen ini berfungsi sebagai tombol
eksekusi seluruh fitur-fitur yang ada pada GUI
jika komponen ini di klik. Komponen ini
terletak pada gambar 3.3 diatas pada bagian A,
G, H, dan I.
Axes 4
Komponen ini berfungsi untuk menampilkan
grafik hasil plotting dari program ini sesuai
parameter yang dimasukan pada GUI.
Komponen ini terletak pada gambar 3.3 diatas
pada bagian D, E, dan F.
Edit Text 12
Komponen ini berfungsi untuk menampung
nilai variabel input pada GUI. Ini terdapat pada
gambar 3.3 diatas pada bagian A dan I.
Static Text 34
Komponen ini berfungsi untuk menampilkan
nilai output dari perhitungan pada program
GUI. Komponen ini terdapat pada gambar 3.3
diatas pada bagian A, B dan C.
16
3.3 Algoritme aplikasi dan penjelasannya
Berikut adalah flow chart algoritme bagaimana sistem GUI dapat bekerja.
TIDAK
YA
Apakah durasi data ECG =
Durasi standar
analisis HRV ?
Input frekuensi sampling
START
HRV domain waktu (Mean
RR, SDRR, CVRR dan BPM)
HRV domain frekuensi
(power VLF, LF dan HF)
RR Interval
Buka raw data ECG
Input threshold
A
B
17
Berikut adalah penjelasan dari flow chart algoritme sistem GUI.
1. Cari Data ECG
Tahapan pertama adalah mencari/membuka raw data ECG yang ingin di analisis. Setelah raw
data ECG dipilih, GUI akan memprosesnya sebagai input. Lalu GUI akan memplot data tersebut
secara otomatis. GUI hanya bisa memproses file .mat dan .txt saja. Raw data ECG yang digunakan
harus memiliki durasi standar minimal analisis HRV yaitu 5 menit [1][6].
2. Input frekuensi sampling
Selanjutnya user harus menginput frekuensi sampling (fs) dari data ECG yang digunakan.
Input fs berfungsi untuk menjadikan sumbu-x (pada plot grafik) menjadi satuan waktu
(detik/menit).
TIDAK
YA
END
Gambar 3. 5 Cari data ECG
Cari Data ECG
Input frekuensi
sampling
Gambar 3. 4 flow chart algoritme sistem GUI
Gambar 3. 6 Input frekuensi sampling
Apakah ingin menggunakan
GUI lagi ?
A B
18
3. Durasi Data ECG = Durasi Standar Analisis HRV ?
Setelah nilai fs di input. Selanjutnya GUI akan memproses dan mengecek data ECG yang
digunakan. Jika durasi data ECG yang akan digunakan sudah sesuai durasi standar untuk analisis
HRV (5 menit) akan muncul warning box yang menginformasikan bahwa data ECG dapat
digunakan. Dan jika data ECG belum sesuai akan muncul warning box yang menginformasikan
bahwa data ECG belum dapat digunakan. User harus mencari data ECG baru.
4. Plot Data ECG sumbu-x detik dan menit
Setelah ada pemberitahuan data ECG dapat digunakan, sumbu-x data ECG akan dirubah
menjadi detik atau menit. Tahapan ini juga bisa digunakan untuk mengecek durasi data ECG dalam
sumbu-x detik apakah sudah sesuai dengan sumbu-x menit atau belum. Misalnya durasi data ECG
5 menit, berarti jika di plot dalam sumbu-x detik harus 300 detik dan dalam sumbu-x menit harus
5 menit. Jika kurang/lebih berarti ada perhitungan yang salah pada program.
5. Input durasi data ECG yang ingin di analisis
Pada tahapan ini user dapat memilih durasi (awal) data ECG yang ingin di analisis. Contoh,
user hanya ingin menganalisis 5 menit awal dari total 1 jam durasi data ECG. User harus
menginput durasi 5 menit ini ke dalam GUI. Dengan syarat, 5 menit tersebut dirubah ke dalam
detik terlebih dahulu (5 x 60 = 300 detik).
Tahapan ini juga berfungsi untuk memplot data ECG hanya beberapa detik saja, misalnya
3 detik saja. Ini berfungsi agar user mudah dalam menentukan nilai threshold. Karena jika hanya
di plot beberapa detik saja, bentuk raw data ECG pasti terlihat sangat jelas dibandingkan dengan
menentukan threshold dari data ECG yang berdurasi 30 menit atau 1 jam. Pasti akan sangat sulit.
Hal ini dikarenakan sampel per sampel dari data ECG akan sangat berdekatan dan sangat rapat.
Gambar 3. 7 Durasi Data ECG = Durasi Standar Analisis HRV ?
Data ECG sumbu-x
detik/menit
Gambar 3. 8 Data ECG sumbu-x detik/menit
Durasi Data
ECG = Durasi
Standar Analisis
HRV ?
19
Nilai threshold tidak selalu harus nilai rata-rata dari sebuah kelompok data. Tidak ada parameter
khusus dalam menentukan nilai threshold pada GUI. Dari fakta inilah kemungkinan besar hasil
HRV dari setiap user akan berbeda.
6. Input threshold
Selanjutnya inputkan pada GUI nilai threshold yang tadi sudah ditentukan pada tahapan
sebelumnya.
7. Nilai RR interval
Tahapan ini dapat disebut tahapan utama pada GUI. Karena setelah melewati beberapa
tahapan, raw data ECG berubah menjadi data nilai RR interval. Nilai RR interval juga akan di
plot secara otomatis oleh GUI pada tahapan ini. Nilai RR interval bisa di ekspor kedalam file text
(untuk digunakan pada penelitian lain) dengan mengklik tombol “Ekspor RR ke dalam File Text”
RR interval adalah nilai utama dari GUI. Dari nilai RR interval, nilai HRV domain waktu
dan domain frekuensi dapat diketahui. Dari raw data ECG yang di input, ditentukanlah sebuah
nilai threshold. Raw data ECG yang sama dengan atau melebihi nilai threshold di asumsikan
sebagai puncak R. Bisa dilihat pada gambar 3.12 adalah plotting data ECG > threshold. Puncak R
disini di asumsikan sebagai sebuah detak jantung. Setiap jantung berdetak akan menghasilkan 3
sinyal yaitu, sinyal P, sinyal kompleks QRS, dan sinyal T. Dari ketiganya yang memiliki amplitudo
Gambar 3. 11 RR interval
Gambar 3. 10 Input threshold
HRVnya ?
Input
threshold
RR interval
Input durasi data
ECG (detik) yang
ingin di analisis
HRVnya ?
Gambar 3. 9 Input durasi data ECG (detik) yang ingin di analisis HRVnya
20
terbesar adalah puncak R. Itulah mengapa puncak R bisa di asumsikan sebagai sebuah detak
jantung. Contoh hasil plotting data RR interval bisa dilihat pada gambar 2.5.
Gambar 3.12 adalah hasil plotting data ECG yang lebih besar dari nilai threshold dengan
durasi 300 detik/5 menit. Untuk lebih jelas data dari sampel ke sampelnya, penulis memperbesar
plot tersebut pada gambar 2.4. Penulis memperbesar plotnya pada durasi 5 detik, agar antara
puncak R dan puncak R lainnya terlihat jelas.
8. HRV domain waktu
GUI akan mengekstrak kembali nilai RR interval dengan algoritmenya dan memprosesnya
menjadi nilai HRV domain waktu seperti Mean RR, SDRR, CVRR, dan BPM akan ditampilkan
pada GUI.
9. HRV domain frekuensi
GUI juga akan mengekstrak kembali nilai RR interval dengan algoritmenya dan
memprosesnya menjadi nilai HRV domain frekuensi seperti power VLF, power LF, dan power
HF.
Gambar 3. 12 Data ECG > threshold
Gambar 3. 13 HRV domain waktu
HRV domain frekuensi (power
VLF, power LF, dan power HF.)
Gambar 3. 14 HRV domain frekuensi
HRV domain waktu (Mean RR,
SDRR, CVRR, dan BPM)
21
3.4 Metode validasi GUI
GUI akan dibandingkan dengan beberapa free analysis software HRV, yaitu Kubios HRV
dan PDI (hanya menghitung HRV domain waktu). Nilai yang dibandingkan adalah nilai HRV
domain waktu yaitu Mean RR, SDRR, CVRR dan BPM dan nilai HRV domain frekuensi seperti
power VLF, LF, dan HF. Input pada Kubios HRV dan PDI adalah data RR Interval (output dari
GUI). Sedangkan input pada GUI adalah raw data ECG yang diambil dari website physionet.
Sebelum dibandingkan antara ketiganya, satuan dari setiap parameter HRV domain waktu
dan domain frekuensi harus disamakan terlebih dahulu. Parameter Mean RR, SDRR dan power
pada setiap frekuensi (VLF, LF dan HF) pada Kubios HRV dan PDI semuanya menggunakan
satuan millisecond (ms), sedangkan pada GUI adalah second (sec). Maka satuan GUI harus
dirubah terlebih dahulu menjadi millisecond (ms), agar validasi dapat dilakukan.
Perbandingan nilai dilakukan dengan cara mencari selisih nilai diantara ketiganya. Dapat
dihitung dengan cara, hasil GUI dikurangi hasil Kubios HRV dan hasil PDI. Selisih nilai yang
didapat adalah nilai perbandingan perbedaan antara ketiganya.
Untuk HRV domain waktu pada GUI akan dibandingkan/validasi dengan perincian sebagai
berikut :
1. BPM dibandingkan dengan Kubios HRV dan PDI (dihitung manual).
2. Mean RR dibandingkan dengan Kubios HRV dan PDI
3. SDRR dibandingkan dengan Kubios HRV dan PDI.
4. CVRR karena tidak ada pembandingnya, penulis akan membuat perbandingannya
sendiri dengan membuat perbandingan manual antara ke tiganya (GUI, Kubios HRV,
dan PDI).
Untuk HRV domain frekuensi pada GUI hanya akan dibandingkan dengan Kubios HRV.
Pada pembagian 3 pita frekuensi yang dilihat adalah pola urutan frekuensinya, power pada
frekuensi mana yang paling besar, sedang, dan kecil. Lalu akan diambil kesimpulan apakah pola
urutan power frekuensi dari yang terbesar ke yang terkecil pada GUI sama dengan pola urutan
power frekuensi Kubios HRV atau tidak.
Untuk mengetahui seberapa besar respon pengguna, maka dilakukan evaluasi user
experience dengan memberikan form online dengan beberapa parameter yang dijadikan sebagai
penilaiannya seperti kenyaman, kemudahan, dan kepuasan user saat menggunakan GUI.
22
BAB 4
HASIL DAN PEMBAHASAN
4.1 Hasil Perancangan GUI
Setelah mengalami beberapa kali perubahan desain, akhirnya desain akhir interface GUI
sudah ditetapkan seperti pada gambar 4.1. GUI hanya bisa memproses file ECG dengan format
file .mat dan .txt. Selain menampilkan nilai HRV domain waktu (BPM, Mean RR, SDRR, &
CVRR) dan HRV domain frekuensi (VLF, LF, & HF), GUI juga menampilkan plot dari HRV
domain frekuensi (power spectral density) dan plot dari RR interval.
Bisa dilihat pada gambar 4.1, GUI menampilkan nilai HRV domain waktu, seperti BPM,
Mean RR, SDRR, dan CVRR beserta plot RR intervalnya, dan juga nilai HRV domain frekuensi,
seperti power dari VLF, LF, & HF beserta plot power spectral density (PSD). Sayangnya plot PSD
kurang terlihat jelas. Dari fakta inilah penulis menambahkan fungsi perbesar pada GUI, yang
berguna untuk memperbesar plot PSD seperti pada gambar 4.2. User bebas untuk memilih berapa
batas plot untuk sumbu x dan sumbu y.
Gambar 4. 1 Hasil perancangan interface GUI
23
Simulasi GUI dan cara pembacaan outputnya
Simulasi penggunaan GUI secara garis besar bisa dilihat pada gambar 4.3. Berikut adalah
penjelasannya.
Gambar A, adalah langkah pertama pada penggunaan GUI. User harus membuka data ECG
yang mereka punya (file .mat/.txt). Hasil plottingnya terlihat pada gambar disebelahnya
(yang ditunjukan oleh tanda panah merah ke kanan).
Gambar 4. 2 Hasil perancangan interface GUI - Fungsi perbesar plot PSD
Gambar 4. 3 Cara penggunaan GUI
24
Gambar B, user harus menginput nilai frekuensi sampling, agar sumbu-x pada plot grafik
berubah dari sample data menjadi satuan waktu (detik). Frekuensi sampling juga berfungsi
untuk memastikan apakah durasi data ECG sudah sesuai dengan durasi standar minimal
analisis HRV yaitu 5 menit atau tidak (karena 5 menit adalah short term dalam analisis
HRV, sedangkan long term adalah 24 jam) [1][6]. Warning box akan muncul untuk
memberitahu apakah data ECG sudah sesuai standar atau belum. Jika sudah sesuai standar
data dapat digunakan, dan jika tidak sesuai maka data ECG tidak dapat digunakan.
Gambar C, user dapat memplot data ECG dalam sumbu-x detik atau menit. Fungsinya
untuk meyakinkan bahwa durasi data ECG yang digunakan sudah sesuai dengan durasi
standar data ECG untuk analisis HRV (5 menit). Hasil plottingnya terlihat pada gambar
disebelahnya (yang ditunjukan oleh tanda panah merah ke kanan).
Gambar D, selanjutnya adalah memilih durasi data ECG yang ingin di analisis. Misalnya
durasi total data ECG adalah 30 menit, tetapi user hanya ingin mengetahui parameter HRV
untuk durasi 5 menit saja, maka user harus merubah satuan menit ke dalam satuan detik,
lalu nilai satuan detik di inputkan ke dalam GUI. Atau bisa juga digunakan untuk memplot
hanya beberapa detik saja, misalnya 5 detik. Ini berfungsi untuk meyakinkan user ketika
menentukan nilai threshold. Karena semakin kecil durasi maka sampel per sample data
ECG pasti terlihat lebih jelas. Berbeda jika data ECG di plot dengan durasi langsung 30
menit atau 1 jam, pasti akan sulit untuk menetukan nilai threshold dari sampel data yang
berdekatan dan rapat. Hasil plottingnya terlihat pada gambar disebelahnya (yang
ditunjukan oleh tanda panah merah ke kanan).
Gambar E, inputkan nilai threshold yang tadi sudah ditentukan. Hasil plottingnya terlihat
pada gambar disebelahnya (yang ditunjukan oleh tanda panah merah ke kanan).
Gambar F, atau tahapan terakhir, yaitu plot RR interval. Ketika push button plot RR
interval di klik, maka nilai HRV domain waktu (BPM, Mean RR, SDRR, dan CVRR) serta
HRV domain frekuensi (power VLF, LF, dan HF) akan otomatis ditampilkan oleh GUI.
Axes juga akan otomatis memplot nlai RR interval dan HRV domain frekuensi (power
spectral density).
GUI memiliki dua nilai output, yaitu HRV domain waktu dan HRV domain frekuensi, cara
pembacaan outputnya adalah sebagai berikut.
25
4.1.1 HRV domain waktu
1. BPM
BPM bisa merepresentasikan keadaan tubuh seseorang sedang sehat/tidak sehat. Nilai normal
BPM manusia adalah 60 – 100 BPM. Jika kurang atau lebih dari nilai normal, seseorang dapat
dikatakan memiliki irama detak jantung tidak normal (aritmia). Aritmia sendiri terbagi menjadi 2,
yaitu bradikardia (detak jantung dibawah 60 BPM). Dan Takikardia (detak jantung diatas 100
BPM). Bradikardia biasanya terjadi pada orang-orang yang sudah berumur lanjut usia, yang
kondisi fisiknya sudah menurun, atau sedang dalam keadaan mengkonsumsi obat-obatan tertentu.
Sedangkan takikardia biasanya terjadi pada seseorang yang banyak melakukan aktifitas fisik
secara terus menerus (olahraga) [12]. Yang akan membuat jantung bekerja dengan keras, dan
mengakibatkan jantung berdetak lebih banyak dari biasanya [26].
2. Mean RR
Mean RR atau rata-rata nilai RR interval, adalah nilai rata-rata dari RR interval (dalam rentang
durasi tertentu). RR interval sendiri adalah jarak/interval antara suatu puncak R (sinyal ECG) ke
puncak R lainnya. Atau bisa juga di asumsikan jarak antara suatu detak jantung ke detak jantung
berikutnya.
Nilai Mean RR sangat berhubungan sekali dengan nilai BPM. Karena rumus BPM adalah
60/Mean RR. Ada batasan seseorang bisa dikatakan memiliki nilai BPM normal atau tidak, yaitu
jika nilai BPM 60 - 100. Berarti Mean RR (atau rata-rata RR) paling minimal agar nilai BPM bisa
disebut normal adalah 1 detik. Nilai normal Mean RR ada pada range 0,6 – 1,2 detik [27]. Seperti
pada data yang di gunakan ini Mean RR nilainya 0,9 detik (hampir mendekati 1 detik). Tetapi nilai
Mean RR dibawah 1 detik pun terbilang baik, dengan syarat masih di atas atau sama dengan nilai
0,6 detik. Yang perlu di waspadai adalah jika Mean RR lebih dari 1,2 detik (BPM 50) dan kurang
dari 0,6 detik (BPM >100). Keadaan tersebut bisa mengindikasikan bahwa orang tersebut terkena
aritmia [12].
Gambar 4. 4 HRV domain waktu
26
3. SDRR/SDNN
SDRR/SDNN atau standar deviasi RR interval. Standar deviasi atau simpangan baku (kuadrat
varians) artinya secara umum adalah nilai rata-rata penyimpangan data, yang diukur dari nilai rata-
rata data tersebut. Mudahnya adalah mengukur bagaimana nilai-nilai tersebar dalam suatu
kelompok data. Semakin besar nilai SDRR, maka semakin jauh jarak rata-rata setiap unit data
terhadap nilai mean data. Nilai SDRR/SDNN adalah suatu nilai yang penting pada HRV domain
waktu. Karena nilai ini digunakan untuk menggelompokkan secara medis subjek-subjek yang
beresiko terkena penyakit kardiovaskular (data direkam selama 24 jam). Nilai ini juga digunakan
untuk memprediksi morbitas dan mortalitas. Berdasarkan rekam data ECG 24 jam, pasien dengan
nilai SDNN di bawah 50 ms dikategorikan sebagai tidak sehat, 50-100 ms cukup membahayakan
kesehatannya, dan di atas 100 ms adalah sehat [1][28].
4. CVRR
CVRR atau rasio antara SDRR dengan Mean RR. Salah satu fungsi mengetahui nilai CVRR
adalah nilai CVRR bisa menjadi indikator yang berpotensi bermanfaat untuk mengecek fungsi
kardiovaskular pada individu sehat dan pasein stroke [23].
4.1.2 HRV domain frekuensi
Dari ketiga pita frekuensi, nilai power LF adalah nilai terbesar. Ini menandakan bahwa sistem
saraf simpatis dari subjek (yang datanya sedang di analisis) sedang mendominasi (lebih aktif)
dibanding sistem saraf parasimpatisnya.
Sistem saraf simpatis umumnya berfungsi untuk merangsang kerja organ, seperti mempercepat
detak jantung (meningkatnya BPM), menyebabkan kontraksi pembulu darah, dan meningkatkan
adrenalin. Dapat disimpulkan kemungkinan subjek sedang dalam keadaan aktif/bergerak, bukan
sedang dalam keadaan santai/istirahat.
Gambar 4. 5 HRV domain frekuensi
27
1. Very Low Frequency (VLF)
VLF adalah frekuensi yang berada pada pita frekuensi 0 – 0,04 Hz. Power VLF lebih kuat
keterkaitannya sebagai penyebab kematian, daripada LF atau HF. Terbukti, power VLF yang
rendah dikaitkan dengan kematian akibat aritmia dan posttraumatic stress disorder
(PTSD)/gangguan stres pasca trauma. PTSD sendiri adalah kondisi psikologis seseorang yang
dipicu oleh peristiwa traumatis masa lalu yang dirasakan sendiri sendiri atau hanya
menyaksikannya [29][30]. Power VLF yang rendah dikorelasikan dengan rendahnya kadar
testosteron. Ada ketidak pastian mengenai mekanisme fisiologis yang bertanggung jawab untuk
aktivitas dalam pita ini. Sistem saraf intrinsik jantung berkontribusi pada ritme VLF dan aktivitas
saraf simpatis, karena aktivitas fisik dan respons stres memodulasi amplitudo dan frekuensinya
[28].
2. Low Frequency (LF)
Dalam kondisi istirahat, pita LF lebih mencerminkan aktivitas baroreflex dan bukan persarafan
simpatis jantung[28]. Baroreflex atau refleks baroreseptor adalah salah satu mekanisme
homeostatis tubuh yang membantu menjaga tekanan darah pada tingkat yang hampir konstan [31].
Power LF dapat diproduksi oleh saraf simpatis dan parasimpatis. Tetapi lebih banyak power
LF diaktifkan oleh aktifitas baroreflex [32]. Saraf simpatis menghasilkan ritme tidak jauh di atas
0,1 Hz itu menandakan jika sistem saraf simpatik lebih banyak bekerja. Sedangkan saraf
parasimpatis mempengaruhi ritme sekitar 0,05 Hz [28].
Selama periode respirasi yang lambat, aktivitas vagal dapat dengan mudah menghasilkan
osilasi dalam irama jantung yang melintas ke pita LF. Ketika seseorang menghela napas atau
menarik napas dalam-dalam ini akan masuk pada pita LF [28].
3. High Frequency (HF)
HF adalah frekuensi yang berada pada pita frekuensi 0,15 – 0,4 Hz. Pita HF mencerminkan
aktivitas parasimpatis dan disebut pita pernapasan karena sesuai dengan variasi heart rate yang
terkait dengan siklus pernapasan. Secara konvensional direkam selama periode minimum 1 menit,
untuk bayi dan anak-anak yang bernafas lebih cepat daripada orang dewasa.
Power HF mungkin meningkat di malam hari dan menurun di siang hari. Power HF yang
rendah berhubungan dengan stres, panik, cemas, atau khawatir. Modulasi nada vagal membantu
menjaga regulasi otonom dinamis yang penting untuk kesehatan jantung. Kurangnya
penghambatan vagal berimplikasi pada peningkatan morbiditas [28].
28
4.2 Validasi data
Output dari GUI akan coba dibandingkan dengan dua tools serupa (analisis HRV), yaitu
software Kubios HRV dan Program Dari Internet (PDI). Data pertama yang akan di bandingkan
adalah data dari MIT-BIH Arrhythmia database (mitdb) dengan nama file file 103m.mat. Frekuensi
sampling 360 Hz, menggunakan nilai threshold 310 mV. Pada gambar 4.6 adalah hasil dari
eksekusi program.
Selanjutnya pada gambar 4.7 adalah output dari software Kubios HRV(gambar A-kiri) dan
PDI (gambar B-kanan) dengan file ECG yang sama. Hasil dari ketiganya ditandai dengan warna
garis bawah pada setiap parameternya. BPM dengan warna garis bawah biru. Mean RR dengan
warna garis bawah merah. SDRR dengan warna garis bawah kuning. Untuk CVRR penulis buat
perbandingan antara ketiganya dengan perhitungan manual. Dan untuk power VLF, LF, dan HF
dengan warna garis bawah coklat.
Gambar 4. 6 Output dari GUI 1 (file name 103m.mat)
29
Data kedua yang akan dibandingkan adalah data dari MIT-BIH Normal Sinus Rhythm
Database (nsrdb) dengan nama file 16273m.mat. Frekuensi sampling 128 Hz, menggunakan nilai
threshold 600 mV. Pada gambar 4.8 adalah hasil dari GUI
Selanjutnya pada gambar 4.9 adalah output dari software Kubios HRV(gambar A-kiri) dan
PDI (gambar B-kanan) dengan file ECG yang sama. Hasil dari ketiganya ditandai dengan warna
Gambar 4. 8 Output dari GUI 2 (file name 16273m.mat)
Gambar 4. 7 Output Kubios HRV dan PDI 1 (file name 103m.mat)
30
garis bawah pada setiap parameternya. BPM dengan warna garis bawah biru. Mean RR dengan
warna garis bawah merah. SDRR dengan warna garis bawah kuning. Untuk CVRR penulis buat
perbandingan antara ketiganya dengan perhitungan manual. Dan untuk power VLF, LF, dan HF
dengan warna garis bawah coklat.
Penulis menggunakan raw data ECG untuk membandingkan output antara GUI, Kubios
HRV, dan PDI. Dengan cara seperti inilah penulis melakukan perbandingan nilai antara ketiga
tools ini. Penulis menggunakan 8 sampel data (4 data dengan durasi 30 menit dan 4 data dengan
durasi 1 jam) raw ECG. Agar lebih mudah untuk dipahami, penulis membuat perbandingan dari 8
sampel data yang digunakan menggunakan table. Lebih jelasnya bisa dilihat pada tabel 4.1.
Gambar 4. 9 Output Kubios HRV dan PDI 2 (file name 16273m.mat)
31
Keterangan :
T = Nilai threshold yang digunakan
Tabel 4.1 Perbandingan hasil perhitungan parameter HRV
DATA ECG DURASI 30 MENIT
Nama File
ECG (.mat)
HASIL
DARI
PARAMETER HRV DOMAIN WAKTU
MeanRR
(ms)
SDRR
(ms)
CVRR
(%) BPM
VLF
(ms2)
LF
(ms2)
HF
(ms2)
103m
(T=310 mV)
GUI 985,771 597,24 0,60590 61 5791,39 4395,12 3336,7
KUBIOS 985,72 490,48 0,49758
61 72196 197030 61106
PDI 985,7 597 0,60566
61 - - -
234m.
(T=260 mV)
GUI 706,9 464,93 0,65767 85 3423,48 4417,08 3653,11
KUBIOS 706,96 503,70 0,712487
85 28695 286250 103280
PDI 706,9 465 0,6578
85 - - -
104m
T=120 mV
GUI 686,04 300,2 0,43758 87 1187,3 1074,66 1892,73
KUBIOS 685,99 682,55 0,99498
87 72777 1340300 2809400
PDI 686 300,2 0,4376
87 - - -
111m
T=80 mV
GUI 659,26 718,49 1,08984 91 4487,93 4980,31 4944,83
KUBIOS 659,27 913,95 1,3863
91 90283 1289600 3161500
PDI 659,3 718,5 1,08979
91 - - -
DATA ECG DURASI 1 JAM
16273m
(T=600 mV)
GUI 953,45 558,22 0,58548 63 4939,53 5425,45 5179,75
KUBIOS 953,51 505,81 0,53047
63 24362 174100 107440
PDI 953,5 558,1 0,5853
63 - - -
16773m
(T=400 mV)
GUI 808,47 140,12 0,17331 74 1391,2 653,436 818,901
KUBIOS 808,53 106,06 0,13118
74 350,60 2783,3 3330,3
PDI 808,5 140,2 0,1734
74 - - -
17453m
(T=410 mV)
GUI 730,86 97,07 0,13282 82 1188,69 645,672 896,72
KUBIOS 730,91 73,612 0,10071
82 265,57 2462,3 2994,5
PDI 730,9 97,1 0,1328
82 - -
18184m
(T=200 mV)
GUI 673,87 137,32 0,20377 89 1163,67 465,11 519,68
KUBIOS 674 91,248 0,13538
89 151,63 1293,6 628,18
PDI 673,9 137,3 0,203591
89 - - -
32
Ada beberapa catatan penting dari tabel 4.1 ini yaitu :
Satuan asli Mean RR, SDRR dan power pada setiap pita frekuensi pada GUI adalah
second(sec). Tetapi dalam tabel satuan dibuat menjadi millisecond (ms) agar seragam dengan
Kubios HRV dan PDI. Serta agar mudah untuk mencari nilai selisih diantara ketiganya.
Dilakukan pembulatan pada nilai power 3 pita frekuensi (VLF, LF dan HF) yang dirubah dari
satuan second(sec) ke millisecond(ms).
Perhitungan perbandingan/validasi data dilakukan dengan metode validasi seperti yang
dijelaskan pada sub bab 3.4.
Hasil dari pembacaan tabel sebagai berikut :
1. Nilai BPM pada ketiga tools tersebut setidak ada selisih, yang artinya perhitungan BPM
pada program GUI sudah benar.
2. MeanRR
- Untuk data ECG dengan durasi 30 menit dengan nama file
- Untuk data ECG dengan durasi 1 jam dengan nama file
103m.mat
GUI – Kubios HRV
985,771 - 985,72 = 0,699 ms
GUI – PDI
985,771 – 985,7 = 0,071 ms.
234m..mat
GUI – Kubios HRV
706,9- 706,96= 0,06 ms
GUI – PDI
706,9 – 706,9 = 0 ms
104m.mat
GUI – Kubios HRV
686,04 - 685,99 = 0,05 ms
GUI – PDI
686,04 – 686 = 0,04 ms.
111m..mat
GUI – Kubios HRV
659,26 - 659,27 = 0,01 ms
GUI – PDI
659,26 - 659,3= 0,04 ms
16273m.mat
GUI – Kubios HRV
953,45- 953,51 = 0,06 ms
GUI – PDI
953,45 - 953,5 = 0,05 ms
16773m..mat
GUI – Kubios HRV
808,47 - 808,53 = 0,06 ms
GUI – PDI
808,47 - 808,5 = 0,03 ms
33
Selisih rata-rata Mean RR antara GUI dan Kubios HRV adalah
(0,699+0,06+0,05+0,01+0,06+0,06+0,05+0,13) / 8 (sampel) = 1,119/8 = 0,1398 ms
Selisih rata-rata Mean RR antara GUI dan PDI adalah
(0,071+0+0,04+0,04+0,05+0,03+0,04+0,03) / 8 (sampel) = 0,301/8 = 0,0376 ms
Dari 8 sampel data ECG yang digunakan, nilai selisih rata-rata Mean RR paling besar
berasal dari perbandingan dengan Kubios HRV yaitu 0,1398 ms/0,0001398 sec. Karena
Mean RR adalah nilai tengah dari suatu kelompok data RR interval, memang sudah
seharusnya antara GUI dan 2 tools lainnya tidak memiliki selisih nilai yang terlalu besar
besar. Dari validasi ini dapat disimpulkan perhitungan Mean RR pada program GUI sudah
benar.
3. SDRR
- Untuk data ECG dengan durasi 30 menit dengan nama file
17453m.mat
GUI – Kubios HRV
730,86 - 730,91 = 0,05 ms
GUI – PDI
730,86 - 730,9 = 0,04 ms
18184m..mat
GUI – Kubios HRV
673,87 – 674 = 0,13 ms
GUI – PDI
673,87 - 673,9 = 0,03 ms
103m.mat
GUI – Kubios HRV
597,24 – 490,48 = 106,76 ms
GUI – PDI
597,24 – 597 = 0,24 ms.
234m..mat
GUI – Kubios HRV
464,93 – 503,70 = 38,77 ms
GUI – PDI
464,93 – 465 = 0,07 ms
104m.mat
GUI – Kubios HRV
300,2 – 682,55 = 382,35 ms
GUI – PDI
300,2 – 300,2 = 0 ms.
111m..mat
GUI – Kubios HRV
718,49 – 913,95 = 195,46 ms
GUI – PDI
718,49 – 718,5 = 0,44 ms
34
- Untuk data ECG dengan durasi 1 jam dengan nama file
Selisih rata-rata SDRR antara GUI dan Kubios HRV adalah
(106,76+38,77+52,41+34,06+382,35+195,46+23,458+46,072) / 8 (sampel) = 879,34/8 =
109,9175 ms
Selisih rata-rata SDRR antara GUI dan PDI adalah
(0,24+0,07+0+0,44+0,21+0,10+0,03+0,3) / 8 (sampel) = 1,39/8 = 0,17375 ms
Dari 8 sampel data ECG yang digunakan, selisih nilai rata-rata SDRR paling besar berasal
dari perbandingan dengan Kubios HRV yaitu 109,9175 ms/0,1099175 sec. Nilai SDRR
yang normal adalah diatas 100 ms [1][28]. Jika selisihnya mencapai 100 ms keatas seperti
pada Kubios HRV, ada kemungkinan ketika nilai pada GUI sudah di katakan normal,
sedangkan nilai pada Kubios HRV belum bisa di katakan (mencapai batas) normal.
Misalnya, nilai SDRR pada GUI 150 ms. Kubios HRV 40 ms. Bisa dikatakan bahwa nilai
SDRR GUI sudah normal sedangkan Kubios HRV belum. Ini terjadi karena ada selisih
nilai sebesar 109,9175 ms (seperti pada nilai validasi).
Selisih nilai yang cukup besar ini terjadi karena Kubios HRV yang digunakan untuk
memvalidasi mempunyai fitur artifact correction, yang berfungsi untuk mengurangi
(membuat normal) nilai RR Interval yang tidak normal. Fitur artifact correction bisa dilihat
pada gambar 4.10 dan contoh hasil dari artifact correction bisa dilihat pada gambar 4.11.
16273m.mat
GUI – Kubios HRV
558,22 – 505,81 = 52,41 ms
GUI – PDI
558,22 - 558,1 = 0,21 ms.
16773m..mat
GUI – Kubios HRV
140,12 – 106,06 = 34,06 ms
GUI – PDI
140,12 – 140,2 = 0,10 ms
17453m.mat
GUI – Kubios HRV
97,07 – 73,612 = 23,458 ms
GUI – PDI
97,07 – 97,1 = 0,03 ms.
18184m..mat
GUI – Kubios HRV
137,32 – 91,248 = 46,072 ms
GUI – PDI
137,32 – 137,2 = 0,30 ms
35
Fitur artifact correction pada Kubios HRV berperan seperti threshold pada GUI. Fitur ini
memiliki beberapa pilihan seperti none (default), very low, low, medium, strong, very strong, dan
custom. Penulis menggunakan artifact correction jenis none (default). Jika ada RR Interval yang
tidak normal, maka akan dijadikan nilai normal oleh fitur ini (sesuai jenis artifact correction yang
dipilih). Dan setiap pilihan akan menghasilkan karakteristik HRV yang berbeda. Misalnya, ada
nilai RR Interval yang lebih dari 5 detik, Kubios HRV dengan artifact correctionnya akan
menjadikan nilai RR Interval tersebut masuk ke dalam range normal (sesuai dengan jenis artifact
correction yang dipilih) kembali. Itulah mengapa nilai SDRR antara GUI dan Kubios HRV
berbeda (walaupun input Kubios HRV adalah data RR Interval dari GUI).
Selain berpengaruh pada nilai SDRR, artifact correction juga akan mempengaruhi nilai power
dan urutan pola pita di setiap frekuensi (VLF, LF, dan HF) pada HRV domain frekuensi.
4. CVRR
Karena nilai CVRR tidak ada pembandingnya, penulis akan menghitung CVRR secara
manual. CVRR dapat dihitung dengan rumus = (MeanRR/SDRR) x 100%. Perhitungan
manual yang penulis buat sebagai berikut :
Gambar 4. 10 Artifact correction
Gambar 4. 11 Contoh artifact correction pada Kubios HRV
36
- Untuk data ECG dengan durasi 30 menit dengan nama file
- Untuk data ECG dengan durasi 1 jam dengan nama file
103m.mat
- GUI = 0,60590 %
- Kubios HRV =
490,48 / 985,72 = 0,49758 %
> GUI – Kubios HRV
0,60590 - 0,49758 = 0,10832 %
- PDI =
597 / 985,7 = 0,60566 %
> GUI – PDI
0,60590 - 0,60566 = 0,00024 %
234m.mat
- GUI = 0,65767 %
- Kubios HRV =
503,70 / 706,96 = 0,712487 %
> GUI – Kubios HRV
0,65767 - 0,712487 = 0,054817 %
- PDI =
465 / 706,9 = 0,6578 %
> GUI – PDI
0,65767 - 0,6578 = 0,00013 %
104m.mat
- GUI = 0,43758 %
- Kubios HRV =
682,55 / 685,99 = 0,99498 %
> GUI – Kubios HRV
0,43758 - 0,99498 = 0,5574 %
- PDI =
300,2 / 686 = 0,4376 %
> GUI – PDI
0,43758 - 0,4376 = 0,00002 %
111m.mat
- GUI = 1,08984 %
- Kubios HRV =
913,95 / 659,27 = 1,3863 %
> GUI – Kubios HRV
1,08984 - 1,3863 = 0,29646 %
- PDI =
718,5 / 659,3 = 1,08979 %
> GUI – PDI
1,08984 - 1,08979 = 0,00005 %
16273m.mat
- GUI = 0,58548 %
- Kubios HRV =
505,81 / 953,51 = 0,53047 %
> GUI – Kubios HRV
0,58548 - 0,53047 = 0,05501 %
- PDI
558,1 / 953,5 = 0,5853 %
> GUI – PDI
0,58548 - 0,5853 = 0,00018 %
16773m.mat
- GUI = 0,17331 %
- Kubios HRV =
106,06 / 808,53 = 0,13118 %
> GUI – Kubios HRV
0,17331 - 0,13118 = 0,04213 %
- PDI
140,2 / 808,5 = 0,1734 %
> GUI – PDI
0,17331 - 0,1734 = 0,00009 %
37
Selisih rata-rata CVRR antara GUI dan Kubios HRV adalah
(0,10832+0,054817+0,5574+0,29646+0,05501+0,04213+0,03211+0,06839) / 8 (sampel)
= 1,214637/8 = 0,151829625 %.
Selisih rata-rata CVRR antara GUI dan PDI adalah
(0,00024+0,00013+0,00002+0,00005+0,00018+0,00009+0,00002+0,000179)/8(sampel)
= 0,000909/8 = 0,000113625 %.
Nilai CVRR sangat bergantung dengan nilai SDRR dan Mean RR. Nilai CVRR sendiri
dalam bentuk presentase.
Selisih nilai CVRR paling besar ada pada perbandingan dengan Kubios yaitu, 0,151829625.
Sedangkan perbandingan dengan PDI, selisih nilainya hanya 0,000113625. Dari validasi ini
dengan 2 tools ini dapat disimpulkan perhitungan CVRR sudah benar, karena perhitungan
SDRR dan Mean RR juga benar.
Seperti yang sudah dijelaskan pada halaman 36, terjadi perbedaan nilai yang sangat besar
pada nilai power dan pada pola urutan setiap pita frekuensinya (VLF, LF, dan HF) antara
GUI dan Kubios HRV. Karena Kubios HRV menggunakan fitur artifact correction, yang
berfungsi untuk mengurangi (membuat normal) nilai RR Interval yang tidak normal.
Dari 8 sampel (4 data durasi 30 menit dan 4 data durasi 1 jam) data ECG yang dibandingkan
hanya ada 2 sampel data yang pola pita frekuensinya sama. Yaitu data ECG dengan nama
file 234m.mat (30 menit) dan 16273m.mat (1 jam). Setiap pilihan (jenis) artifact correction
akan menghasilkan karakteristik nilai parameter HRV domain frekuensi yang berbeda-beda.
4.3 User experience
Dilakukan evaluasi user experience dengan memberikan form online dengan beberapa
pertanyaan yang dijadikan sebagai parameter penilaian seperti kenyaman, kemudahan, dan
17453m.mat
- GUI = 0,13282 %
- Kubios HRV =
73,612 / 730,91 = 0,10071 %
> GUI – Kubios HRV
0,13282 - 0,10071 = 0,03211 %
- PDI
97,1 / 730,9 = 0,1328 %
> GUI – PDI
0,13282 - 0,1328 = 0,00002 %
18184m.mat
- GUI = 0,20377 %
- Kubios HRV =
91,248 / 674 = 0,13538 %
> GUI – Kubios HRV
0,20377 - 0,13538 = 0,06839 %
- PDI
137,2 / 673,9 = 0,203591 %
> GUI – PDI
0,20377 - 0,203591 = 0,000179 %
38
kepuasan user saat menggunakan GUI. Subjek yang digunakan untuk user experience ada 7 orang,
yang semuanya adalah mahasiswa (dan alumni) Teknik Elektro UII yang terbiasa menggunakan
program MATLAB. Raw data ECG yang mereka gunakan adalah raw data ECG yang penulis
pakai dalam penelitian ini.
Diberikan 5 pertanyaan yang berhubungan dengan kepuasan user terhadap GUI. Setiap
pertanyaan memiliki 4 pilihan jawaban, yang setiap jawabannya memiliki nilai masing-masing.
Jawaban ke 1 memiliki nilai 10, jawaban ke 2 memili nilai 7,5, jawaban ke 3 memiliki nilai 5 dan
jawaban ke 4 memiliki nilai 2,5. Jawaban ditampilkan dalam niai persentase. Berikut adalah
beberapa pertanyaan yang penulis ajukan kepada user beserta jawabannya :
29%
57%
14%0%
APAKAH TAMPILAN
DESAIN GUI MENARIK ?
Menarik sekali Cukup Menarik
Biasa saja Tidak sama sekali
27%
46%
27%
0%
APAKAH GUI MUDAH
UNTUK DIGUNAKAN ?
Mudah sekali Cukup mudah
Biasa saja Sulit untuk digunakan
58%23%
10%
9%
APAKAH GUI MEMBERIKAN
INFORMASI YANG
DIINGINKAN PENGGUNA ?
Iya
Iya, tetapi masih ada informasi yang kurang
Biasa saja
Tidak sama sekali
58%23%
10%
9%
SEBERAPA NYAMAN ANDA
(PENGGUNA) KETIKA
MENGGUNAKAN GUI ?
Sangat nyaman
Cukup nyaman
Biasa saja
Tidak nyaman sama sekali
Gambar 4. 12 Hasil pertanyaan user experience 1 dan 2
Gambar 4. 13 Hasil pertanyaan user experience 3 dan 4
39
Dari 5 pertanyaan yang diajukan oleh penulis kepada user, nilai performance rata-rata yang
diberikan GUI adalah 55,4 %. Bisa disimpulkan rata-rata user sudah merasa cukup puas dengan
apa yang diberikan oleh GUI.
58%23%
10%
9%
APAKAH ANDA (PENGGUNA)
PUAS DNEGAN GUI INI ?
Sangat puas Cukup puas
Biasa saja Tidak sama sekali
Gambar 4. 14 Hasil pertanyaan user experience 5
40
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. GUI yang telah dirancang menunjukan hasil HRV domain waktu dan domain frekuensi
yang memiliki karakteristik yang tidak jauh berbeda dengan free analysis software HRV
yang sudah ada. Contohnya, nilai BPM antara GUI dengan Kubios HRV tidak ada selisih
nilai sama sekali. Ini menunjukkan perhitungan pada program GUI sudah benar.
2. Selisih perbandingan rata-rata nilai terbesar pada :
Mean RR, yaitu 0,1398 ms.
SDRR, yaitu 109,9175 ms. Selisih nilai yang cukup besar ini terjadi karena pada
Kubios HRV terdapat fitur artifact correction, yang akan mengoreksi nilai RR
Interval yang tidak normal.
CVRR, yaitu 0,1518%.
Dapat diambil kesimpulan perhitungan pada program GUI sudah relatif benar.
3. Untuk HRV domain frekuensi terjadi perbedaan nilai power dan pola urutan pita frekuensi,
karena pada Kubios HRV terdapat fitur artifact correction. Yang mana pada setiap jenis
artifact correction yang dipilih, akan menghasikan karakteristik nilai parameter HRV
domain frekuensi yang berbeda-beda.
5.2 Saran
1. Agar GUI kedepannya bisa menganalisis format file ECG seperti .dat, .csv, dll.
2. Penambaham proses filter pada GUI dan metode analisi HRV lain seperti nonlinear
analysis.
41
DAFTAR PUSTAKA
[1] U. Indonesia et al., Kemampuan heart rate variability metode photoplethysmografi sebagai
prediktor major adverse cardiac events pada pasien sindrom koroner akut metode
photoplethysmografi sebagai. 2015.
[2] P. Novani, “Heart rate variability frekuensi domain untuk deteksi stres mental dan influenza
menggunakan SVM classifier,” vol. 9, no. 2, hal. 88, 2016.
[3] D. Guspriyadi, J. T. Industri, H. R. Variability, dan T. D. Analysis, “Analisis tingkat stres
dan tingkat kelelahan masinis berdasarkan heart rate variability,” vol. 02, no. 02, hal. 57–67,
2014.
[4] R. M. Soleh, A. Rizal, dan R. Magdalena, “Menggunakan algoritma iterative threshold pada
subband wavelet denoising electrocardiogram (ECG) recording using iterative threshold at
wavelet subband otot jantung . EKG ini merupakan rekaman informasi kondisi jantung yang
diambil menggunaka.” hal. 1–6, 2008.
[5] H. F. Jelinek, D. J. Cornforth, dan A. H. Khandoker, “Introduction to ECG time series
variability analysis: A simple overview,” ECG Time Ser. Var. Anal. Eng. Med., hal. 1–12,
2017, doi: 10.4324/9781315372921.
[6] J. Halomoan, “Analisis Sinyal EKG dengan Metoda HRV ( Heart Rate Variability ) pada
Domain Waktu Aktivitas Berdiri dan Terlentang,” Semin. Nas. Apl. Teknol. Inf. 2013, hal.
29–35, 2013.
[7] T. L. Hartono, F. D. Setiaji, I. Setyawan, P. Studi, T. Elektro, dan F. Teknik, “Alat bantu
analisis,” Techné J. Ilm. Elektrotek., vol. 12 No. 2 O, hal. 141–158, 2013.
[8] A. W. Setiawan, R. A. Djohan, dan F. I. Tawakal, “Deteksi Aritmia Menggunakan Sinyal
EKG dengan Metoda Deteksi Puncak-R,” Seniati, vol. 5, hal. 123–128, 2019.
[9] Wikipedia, “Bundle_of_His.” [Daring]. Tersedia pada:
https://en.wikipedia.org/wiki/Bundle_of_His#Function.
[10] D. Benítez, D. Mascher, dan J. Alanis, “The electrical activity of the bundle of His - The fast
and slow inward currents,” Pflügers Arch. Eur. J. Physiol., vol. 345, no. 1, hal. 61–72, 1973,
doi: 10.1007/BF00587062.
[11] D. Meningioma, D. A. N. Schwannoma, D. Citra, M. Gray, dan L. C. Matrices, “Adln –
perpustakaan universitas airlangga deteksi,” no. Bagian Ii, hal. 37–42, 2016.
[12] S. Nadler, “Heart rhythms,” Mass. Rev., vol. 42, no. 2, hal. 209–222, 2002.
[13] Https://www.heart.org/, “All About Heart Rate (Pulse).” [Daring]. Tersedia pada:
https://www.heart.org/en/health-topics/high-blood-pressure/the-facts-about-high-blood-
pressure/all-about-heart-rate-pulse.
[14] D. M. S. H. A. Permana, “Elektrokardiograf (ekg) berbasis bluetooth,” Fis. Fak. Sains
Teknol. , UIN Sunan Gunung Jati Bandung, vol. 2, no. 1, hal. 38–46, 2015.
[15] I. Purnawan, “Konsep Dasar EKG,” hal. 2–3, 2014.
[16] J. Arifin dan U. Elisa, Elektronika Biomedik, Pembahasan Sinyal Dan Citra
42
Elektrokardiografi (EKG).
[17] Jaenal Arifin., “Identifikasi dan Klasifikasi Pola Sinyal EKG Berdasarkan Sifat Keacakan
(Entropy),” 5th Natl. Conf. Inf. Technol. Electr. Eng. 2013, Yogyakarta, , vol. 5, no. 5, hal.
5, 2013.
[18] B. Cardiac dan L. Support, “EKG Konsep Dasar”
[19] U. R. Acharya, K. P. Joseph, N. Kannathal, C. M. Lim, dan J. S. Suri, “Heart rate variability:
A review,” Med. Biol. Eng. Comput., vol. 44, no. 12, hal. 1031–1051, 2006, doi:
10.1007/s11517-006-0119-0.
[20] Garmin.com, “Indeks Referensi Alternatif untuk Memantau Kelelahan – Variabilitas Denyut
Jantung (HRV).” [Daring]. Tersedia pada: https://www.garmin.com/id-ID/blog/indeks-
referensi-alternatif-untuk-memantau-kelelahan-variabilitas-denyut-jantung-hrv/.
[21] J. Sztajzel, “Heart rate variability: A noninvasive electrocardiographic method to measure
the autonomic nervous system,” Swiss Med. Wkly., vol. 134, no. 35–36, hal. 514–522, 2004,
doi: 2004/35/smw-10321.
[22] D. Razanskaite-Virbickiene, E. Danyte, G. Mockeviciene, R. Dobrovolskiene, R.
Verkauskiene, dan R. Zalinkevicius, “Can coefficient of variation of time-domain analysis
be valuable for detecting cardiovascular autonomic neuropathy in young patients with type
1 diabetes: A case control study,” BMC Cardiovasc. Disord., vol. 17, no. 1, hal. 1–9, 2017,
doi: 10.1186/s12872-016-0467-0.
[23] C.-C. J. Change, T.-C. R. Hsiao, dan H.-Y. Hsu, “The Usefulness of the Coefficient of
Variation of Electrocardiographic RR Interval as an Index of Cardiovascular Function and
its Correlation with Age and Stroke,” Tungs’ Med. J., vol. 6, no. March, hal. 41–48, 2012.
[24] D. Singh, K. Vinod, dan S. C. Saxena, “Sampling frequency of the RR interval time series
for spectral analysis of heart rate variability,” J. Med. Eng. Technol., vol. 28, no. 6, hal. 263–
272, 2004, doi: 10.1080/03091900410001662350.
[25] Gunggung, “Metode ‘Napas Ritme’ dan Imunitas Tubuh.” [Daring]. Tersedia pada:
https://www.wisatabugarofficial.com/2020/05/metode-napas-ritme-dan-imunitas-tubuh/.
[26] Alodokter dan K. Adrian, “Ketahui Alasan Detak Jantung Cepat dan Cara Mengatasinya.”
[Daring]. Tersedia pada: https://www.alodokter.com/ketahui-alasan-detak-jantung-cepat-
dan-cara-mengatasinya.
[27] L. Rosenthal, E. A. Gracia, dan B. Christensen, “Normal Electrocardiography (ECG)
Intervals.” [Daring]. Tersedia pada: https://emedicine.medscape.com/article/2172196-
overview#:~:text=Normal ECG values for waves,PR interval%3A 120-200 milliseconds.
[28] F. Shaffer dan J. P. Ginsberg, “An Overview of Heart Rate Variability Metrics and Norms,”
Front. Public Heal., vol. 5, no. September, hal. 1–17, 2017, doi: 10.3389/fpubh.2017.00258.
[29] M. D. Cristy, “PTSD.”
[30] Wikipedia, “Posttraumatic stress disorder.”
[31] Wikipedia, “Baroreflex.” [Daring]. Tersedia pada: https://en.wikipedia.org/wiki/Baroreflex.
[32] F. Rahman, S. Pechnik, D. Gross, L. T. Sewell, dan D. S. Goldstein, “Low frequency power
43
of heart rate variability reflects baroreflex function, not cardiac sympathetic innervation,”
Clin. Auton. Res., vol. 21, no. 3, hal. 133–141, 2011, doi: 10.1007/s10286-010-0098-y.
[33] D. Meningioma, D. A. N. Schwannoma, D. Citra, M. Gray, dan L. C. Matrices, “Adln
perpustakaan universitas airlangga deteksi,” no. Bagian Ii, hal. 37–42, 2016.
[34] Http://dewara.com/, “Cara Membaca EKG (Elektrokardiograf).” [Daring]. Tersedia pada:
http://dewara.com/cara-membaca-ekg-elektrokardiograf/.
[35] Pinterest, “signal complex pqrst.” [Daring]. Tersedia pada:
https://www.pinterest.com/pin/220887556710065555/.
[36] A. Murjana, “Rumus Interpolasi – Pengertian, Macam-Macam, Contoh Soal,” 2020.
[Daring]. Tersedia pada: https://rumusrumus.com/rumus-interpolasi/#Interpolasi_Linear.
[37] L. Yang, Q. Pan, G. Zhou, L. Fang, P. Cao, dan G. Ning, “Resampling the RR tachogram
enhances the deceleration capacity of heart rate in the assessment of chronic heart failure,”
Proc. - 2017 10th Int. Congr. Image Signal Process. Biomed. Eng. Informatics, CISP-BMEI
2017, vol. 2018-Janua, hal. 1–5, 2018, doi: 10.1109/CISP-BMEI.2017.8302234.
44
LAMPIRAN
%%%%% ---------------- GUI BY : BADAR PRADIPTA ------------------------ %%%%% ---------------- contact : [email protected] ----------------- %%%% LAST EDITED 20 AUGUST 2020
%%% ---------------------------------------------------------------------- %%% --------------- AWALAN PROGRAM DEFAUTL DARI MATLAB --------------- %%% %%% ----------------------------------------------------------------------
function varargout = Badar_HRV_GUI_FIX_ID(varargin) % BADAR_HRV_GUI_FIX_ID MATLAB code for Badar_HRV_GUI_FIX_ID.fig % BADAR_HRV_GUI_FIX_ID, by itself, creates a new BADAR_HRV_GUI_FIX_ID or
raises the existing % singleton*. % % H = BADAR_HRV_GUI_FIX_ID returns the handle to a new
BADAR_HRV_GUI_FIX_ID or the handle to % the existing singleton*. % % BADAR_HRV_GUI_FIX_ID('CALLBACK',hObject,eventData,handles,...) calls
the local % function named CALLBACK in BADAR_HRV_GUI_FIX_ID.M with the given input
arguments. % % BADAR_HRV_GUI_FIX_ID('Property','Value',...) creates a new
BADAR_HRV_GUI_FIX_ID or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before Badar_HRV_GUI_FIX_ID_OpeningFcn gets called.
An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to Badar_HRV_GUI_FIX_ID_OpeningFcn via
varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help Badar_HRV_GUI_FIX_ID
% Last Modified by GUIDE v2.5 01-Jun-2020 15:10:14
% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Badar_HRV_GUI_FIX_ID_OpeningFcn, ... 'gui_OutputFcn', @Badar_HRV_GUI_FIX_ID_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end
if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end
45
% End initialization code - DO NOT EDIT .
%%% ---------------------------------------------------------------------- %%% ---------------- UNTUK MENAMPILKAN LOGO UII PADA GUI ----------------- function Badar_HRV_GUI_FIX_ID_OpeningFcn(hObject, eventdata, handles,
varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Badar_HRV_GUI_FIX_ID (see VARARGIN)
% Choose default command line output for Badar_HRV_GUI_FIX_ID handles.output = hObject; axes(handles.axes8); imshow('uii.png');
% Update handles structure guidata(hObject, handles); % UIWAIT makes Badar_HRV_GUI_FIX_ID wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = Badar_HRV_GUI_FIX_ID_OutputFcn(hObject, eventdata,
handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure varargout{1} = handles.output;
%%% ----------------------------------------------------------------------- %%% --------------- AKHIRAN PROGRAM DEFAUTL DARI MATLAB --------------- %%% %%% ----------------------------------------------------------------------- % % % % ................................................................... % % % % ................................................................... % % % % ................................................................... % % % % ................................................................... % % % % ................................................................... % % % % ................................................................... % % % % ...................................................................
%%%% AXES 4 JANGAN DIHAPUS !!! % --- Executes during object creation, after setting all properties. function axes4_CreateFcn(hObject, eventdata, handles) % hObject handle to axes4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: place code in OpeningFcn to populate axes4
%%% ----------------------------------------------------------------------- %%% ----------------------- AWALAN FUNGSI UTAMA GUI ----------------------- %%% -----------------------------------------------------------------------
%%%%% RAW DATA ECG BISA DI OLAH SAMPAI MENJADI HRV DOMAIN FREKUENSI %%%%% DENGAN SYARAT BARIS HARUS 1, DAN KOLOM TERSERAH BEBAS
46
%%%%% M x N %%%%% 1 x TERSERAH %%%%% >>>>>>>>>>> LANGKAH KE 1,1 %%%%% ----- PLOT RAW DATA ECG MAT % --- Executes on button press in raw. function raw_Callback(hObject, eventdata, handles) %%%% untuk mencari file (browse file) yang ingin dibuka. [fileName,filePath] = uigetfile({'*.mat';},'Select File'); %%% UNTUK MEMBUAT SEBUAH PERINTAH SECARA MENYELURUH(GLOBAL) global buka buka = load( fullfile(filePath,fileName) );
global A A=(buka.val(1,:)); %%% ....................................................................... axes(handles.axes4); %%% untk menmpilkan data yg ingin diplot pada axes1 set(handles.filename,'string',fileName);
plot(A); hold off xlabel('Sample Data'), ylabel('Tegangan(mV)') title('Raw Data ECG') grid on
%%%%% >>>>>>>>>>> LANGKAH KE 1,2 %%%%% ----- PLOT RAW DATA ECG TEXT % --- Executes on button press in rawtext. function rawtext_Callback(hObject, eventdata, handles) %%%% untuk mencari file (browse file) yang ingin dibuka. [fileName,filePath] = uigetfile({'*.txt';},'Select File'); %%% UNTUK MEMBUAT SEBUAH PERINTAH SECARA MENYELURUH(GLOBAL) global A A = load(fullfile(filePath,fileName)).'; %%% DIJADIKAN 1 BARIS
%%% ....................................................................... axes(handles.axes4); %%% untk menmpilkan data yg ingin diplot pada axes1 set(handles.filename,'string',fileName);
plot(A); hold off xlabel('Sample Data'), ylabel('Tegangan(mV)') title('Raw Data ECG') grid on % hObject handle to rawtext (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%% >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
% --- Executes during object creation, after setting all properties. function filename_CreateFcn(hObject, eventdata, handles) % hObject handle to filename (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
%%% ======================================================================= %%% =======================================================================
%%%%% >>>>>>>>>>> LANGKAH KE 2
47
%%%%% ----- PLOT UNTUK MENENTUKAN DATA APAKAH SESUAI STANDAR ATAU BELUM. % --- Executes on button press in standard. function standard_Callback(hObject, eventdata, handles) global A axes(handles.axes4); global fs fs=str2double(get(handles.F_S,'string')); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global Tmin Tmin = fs*60*5; %%% Tmin = sample data dalam 5 menit %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global P_Tmin P_Tmin = length(A); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % P_Tmin = length(A); if P_Tmin == Tmin errordlg('Ya, data ECG SUDAH SESUAI Standar.','WARNING','nonmodal'); disp('Data ini BOLEH Digunakan') else
if P_Tmin < Tmin errordlg('Tidak, data ECG TIDAK SESUAI Standar','WARNING','nonmodal'); disp('This data CAN NOT be used') else
if P_Tmin > Tmin warndlg('Ya, data ECG SUDAH SESUAI Standar.','WARNING','nonmodal'); disp('Data ini BOLEH Digunakan')
end end end %%% >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
function F_S_Callback(hObject, eventdata, handles) % hObject handle to F_S (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of F_S as text % str2double(get(hObject,'String')) returns contents of F_S as a
double
% --- Executes during object creation, after setting all properties. function F_S_CreateFcn(hObject, eventdata, handles) % hObject handle to F_S (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
%%% ======================================================================= %%% =======================================================================
48
%%%%% >>>>>>>>>>> LANGKAH KE 3 (1) %%%%% >>>>> PLOT DALAM DETIK % --- Executes on button press in InSec. function insec_Callback(hObject, eventdata, handles)
global A global fs
global timeSec timeSec = (0:numel(A)-1)/fs; %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global Tmin Tmin = fs*60*5; %%% Tmin = sample data dalam 5 menit
global P_Tmin P_Tmin = length(A); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ axes(handles.axes4); hold off plot(timeSec,A); hold on xlabel('Detik'), ylabel('Tegangan(mV)') title('data ECG') grid on %%% ===================================================================== %%% =====================================================================
%%%%% >>>>>>>>>>> LANGKAH KE 3 (2) %%%%% >>>>> PLOT DALAM MENIT % --- Executes on button press in InMin. function inmin_Callback(hObject, eventdata, handles)
global A global fs %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global timeSec
global timeMin timeMin = timeSec/60;
%%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global Tmin Tmin = fs*60*5; %%% Tmin = sample data dalam 5 menit
global P_Tmin P_Tmin = length(A); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ axes(handles.axes4); hold off plot(timeMin,A); hold on xlabel('Menit'), ylabel('Tegangan(mV)') title('data ECG') grid on %%% ===================================================================== %%% =====================================================================
49
%%%%% >>>>>>>>>>> LANGKAH KE 4 %%%%% >>>>> PLOT HANYA DALAM BEBERAPA DETIK (sesuai keinginan user) % --- Executes on button press in OnlySomeSec. function onlysomesec_Callback(hObject, eventdata, handles)
global A global fs %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global SECOND SECOND=str2double(get(handles.onlysecond,'string'));
DETIK = fs*SECOND; %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global AA AA = A(1:DETIK); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global timeOnlySomeSec timeOnlySomeSec = (0:numel(AA)-1)/fs;
axes(handles.axes4); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global Tmin Tmin = fs*60*5; %%% Tmin = sample data dalam 5 menit %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global P_Tmin P_Tmin = length(A); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ hold off plot(timeOnlySomeSec,AA); hold on xlabel('Detik'), ylabel('Tegangan(mV)') title('data ECG') grid on % hObject handle to onlysomesec (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%% >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
function onlysecond_Callback(hObject, eventdata, handles) % hObject handle to onlysecond (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of onlysecond as text % str2double(get(hObject,'String')) returns contents of onlysecond as
a double
% --- Executes during object creation, after setting all properties. function onlysecond_CreateFcn(hObject, eventdata, handles) % hObject handle to onlysecond (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end %%% ===================================================================== %%% =====================================================================
50
%%%%% >>>>>>>>>>> LANGKAH KE 5 %%%%% >>>>> PLOTTING DATA>THRESHOLD % --- Executes on button press in threshold. function inputthres_Callback(hObject, eventdata, handles)
global A global fs
global thres thres=str2double(get(handles.TH,'string')); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global SECOND SECOND=str2double(get(handles.onlysecond,'string'));
DETIK = fs*SECOND; %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global AA %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global timeOnlySomeSec timeOnlySomeSec = (0:numel(AA)-1)/fs;
axes(handles.axes4); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ [pks,loc] = findpeaks(AA,'MinPeakHeight',thres);
hold off plot(timeOnlySomeSec(loc),pks, 'kv','MarkerFaceColor','k') hold on plot(timeOnlySomeSec,AA) hold off title('data ECG > threshold') legend('Puncak R','Sinyal ECG','location','southeast') xlabel('Detik'); ylabel('Tegangan(mV)') grid on % hObject handle to inputthres (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%% >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
function TH_Callback(hObject, eventdata, handles) % hObject handle to TH (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of TH as text % str2double(get(hObject,'String')) returns contents of TH as a double
% --- Executes during object creation, after setting all properties. function TH_CreateFcn(hObject, eventdata, handles) % hObject handle to TH (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
51
%%% ===================================================================== %%% =====================================================================
%%%%% >>>>> LANGKAH KE 6 %%%%% >>>>> PLOTTING DATA RR INTERVAL % --- Executes on button press in RRInterval. function rrinterval_Callback(hObject, eventdata, handles) % hObject handle to RRInterval (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global A global fs
global thres % thres=str2double(get(handles.TH,'string')); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global SECOND % SECOND=str2double(get(handles.detik,'string'));
DETIK = fs*SECOND; %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global AA %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % global timeSec % timeSec = (0:numel(A)-1)/fs; % % global timeMin % timeMin = timeSec/60 % % global timeOnlySomeSec % timeOnlySomeSec = (0:numel(AA)-1)/fs;
axes(handles.axes5); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ [pks,loc] = findpeaks(AA,'MinPeakHeight',thres); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % %%% variabel loc DIAMBIL DARI RAW DATA ECG, MAKANYA AWALNYA 266. ARTINYA
ITU % %%% ADALAH SAMPLE DATA KE 266 dan seterusnya peak_start = loc(1:end-1); peak_end = loc(2:end); peak_to_peak = peak_end-peak_start;
global RR_int RR_int=peak_to_peak/fs; %%%% RR INTERVAL IN SEC R_peaks=length(loc); %%%% JUMLAH PUNCAK R YANG DITEMUKAN %%%%%%%%---------------------------------------------------------------
%%%%% >>>>>>> RUMUS MEAN RR INTERVAL mean_RR_int=mean(RR_int); %%%% MEAN RR INTERVAL %%%%%%%%---------------------------------------------------------------
52
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% >>>>>>> RUMUS BPM !!! %% 60 detik(1 menit) DIBAGI rata-rata seluruh RR interval = BPM % % BeatsPerMinute = round(60/mean_RR_int); % % VAR SECOND ADALAH DURASI (dlm detik) yang ingin di analisis. % % dibagi 60 biar jadi menit. misal, detik 300 kalo di bagi 60, jadinya 5
menit. % % pengali itu bergantung berapa durasi data ecg (menit) yang ingin
diketahui nilainya. pengali = SECOND/60; %%%biar jadi menit BeatsPerMinute = round( (60*pengali)/(pengali*mean_RR_int) )
%%%%%%%%--------------------------------------------------------------- %%%%%%%%--------------------------------------------------------------- %%%%% >>>>>>> RUMUS STANDAR DEVIASI %%% 17 JUNI 2020 JAM 6 PAGI GANTI RUMUS SEK, BUAT VALIFDASI KUBIOS %%% n - 1 di GANTI JADI n DOANG %%% udah gw ganti lagi ja, 6 lewat 2 menit
n = length(RR_int); StandarDeviasi = sqrt( sum((RR_int - mean_RR_int).^2)/(n-1) ); %%% standar
deviasi
%%%%% rasio antara nilai mean RR dan Standar Deviasi RR CVRR = StandarDeviasi/mean_RR_int; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% set(handles.bpm2,'string',BeatsPerMinute) set(handles.meanRR2,'string',mean_RR_int) set(handles.sdrr2,'string',StandarDeviasi) set(handles.cvrr2,'string',CVRR)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% hold off plot(RR_int)%%%'MarkerFaceColor','r') hold on title('RR Interval') hold on xlabel('Sample'); ylabel('R-R(detik)') grid on
%%%........................................................................ %%%........................................................................ %%%........................................................................ %%%>>> PROGRAM FREQUENCY METHOD rrseries = RR_int.'; interval = 1;
Interpolasi_Badar(rrseries,interval); %> MANGGIL FUNSI INTERPOLASI %%%........................................................................ global hasil_int hasil_int = ans; global panjang_hasil_int panjang_hasil_int = length(hasil_int); %> PANJANG DATA VARIABEL x
53
global absolutfft absolutfft = abs(fft(hasil_int))/panjang_hasil_int; %> BISA DI BAGI N, BISA JUGA TIDAK
global setengah_Y setengah_Y = absolutfft(1:panjang_hasil_int/2+1); %> VARIABEL AKAN MENGHITUNG DARI DATA PERTAMA absolutfft %> cuma setengah dari keseluruhan data.
global freq freq = linspace(0,1,length(absolutfft)); %> VARIABEL INI MENGHITUNG DARI O
SAMPAI 1 Hz, sampai panjang Y freq = freq(1:panjang_hasil_int/2+1); %> HANYA MENGHITUNG SETENGAH DARI
KESELURUHAN NILAI VARIABEL % % figure('name','RR Interval') % % plot(rrseries) % % title('RR Interval') % % xlabel('Sample'); ylabel('R-R(ms)') % % grid on %%%%...................................................................... %%%%...................................................................... %% PEMBAGIAN 3 JENIS FREKUENSI %% VERY LOW FREQUENCY global iVLF iVLF = freq >= 0 & freq <= 0.04; global VLF VLF = setengah_Y(iVLF) %% LOW FREQUENCY global iLF iLF = freq > 0.04 & freq <= 0.15; global LF LF = setengah_Y(iLF) %% HIGH FREQUENCY global iHF iHF = freq > 0.15 & freq <= 0.4; global HF HF = setengah_Y(iHF)
axes(handles.axes6); %%%........................................................................ % % figure ('name','PSD') % % plot(freq,setengah_Y) % % grid on % % title('Power Spectral Density') % % xlabel('Frequency(Hz)'); ylabel('S^2/Hz') % % legend('PSD','VLF','LF','HF') % %%%........................................................................ %%%%% >>> PLOTTING VLF, LF, HF %% figure ('name','PSD') hold off plot(freq,setengah_Y) hold on
plot(freq(iVLF),VLF,'-k') plot(freq(iLF),LF,'-r') plot(freq(iHF),HF,'-g') hold on grid on title('Power Spectral Density') xlabel('Frekuensi(Hz)'); ylabel('sec^2/Hz') legend('PSD','VLF','LF','HF')
54
axes(handles.axes6); %%%%...................................................................... %%%%...................................................................... %%%%...................................................................... %%>> POWER DI TULIS DALAM DETIK. %%>> KARENA RR NYA DETIK. DISERAGAMKAN. %%>> KARENA KUBIOS SATUAN NYA MILLI DETIK. MAKA DALAM LAPORAN %%>> SATUAN POWER DI RUBAH KE DALAM MILLI DETIK DAHULU, DENGAN CARA HASIL GUI %%>> DIKALI 1000 global M_VLF M_VLF = ( sum(VLF) );
global M_LF M_LF = (sum(LF) );
global M_HF M_HF = (sum(HF) );
set(handles.VLF2,'string',M_VLF) set(handles.LF2,'string',M_LF) set(handles.HF2,'string',M_HF) %%% ===================================================================== %%% =====================================================================
%%%%% >>>>> TOMBOL RESET GRAFIK % --- Executes on button press in reset. function reset_Callback(hObject, eventdata, handles) cla (handles.axes4,'reset'); cla (handles.axes5,'reset'); cla (handles.axes6,'reset'); clearStr = 'clear all'; % hObject handle to reset (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%% ===================================================================== %%% =====================================================================
%%%%% >>>>> TOMBOL EXPORT RR INTERVAL TO TEXT FILE % --- Executes on button press in totextfile. function totextfile_Callback(hObject, eventdata, handles) global A global fs
global thres % thres=str2double(get(handles.TH,'string')); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global SECOND % SECOND=str2double(get(handles.detik,'string'));
DETIK = fs*SECOND; %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global AA %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % global timeSec % timeSec = (0:numel(A)-1)/fs; % % global timeMin
55
% timeMin = timeSec/60 % % global timeOnlySomeSec % timeOnlySomeSec = (0:numel(AA)-1)/fs;
axes(handles.axes5); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ [pks,loc] = findpeaks(AA,'MinPeakHeight',thres); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% peak_start = loc(1:end-1); peak_end = loc(2:end); peak_to_peak = peak_end-peak_start;
RR_int=peak_to_peak/fs; %%%% RR INTERVAL IN DOMAIN TIME R_peaks=length(loc); %%%% JUMLAH PUNCAK R YANG DITEMUKAN %%%%%%%%--------------------------------------------------------------- %%%%% >>>>>>> RUMUS MEAN RR INTERVAL mean_RR_int=mean(RR_int); %%%% MEAN RR INTERVAL %%%%%%%%---------------------------------------------------------------
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% >>>>>>> RUMUS BPM !!! %% 60 detik(1 menit) DIBAGI rata-rata seluruh RR interval = BPM % % BeatsPerMinute = round(60/mean_RR_int); % % VAR SECOND ADALAH DURASI (dlm detik) yang ingin di analisis. % % dibagi 60 biar jadi menit. misal, detik 300 kalo di bagi 60, jadinya 5
menit. % % pengali itu bergantung berapa durasi data ecg (menit) yang ingin
diketahui nilainya. pengali = SECOND/60; %%%biar jadi menit BeatsPerMinute = round( (60*pengali)/(pengali*mean_RR_int) )
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%--------------------------------------------------------------- %%%%%%%%--------------------------------------------------------------- %%%%% >>>>>>> RUMUS STANDAR DEVIASI
n = length(RR_int); StandarDeviasi = sqrt( sum((RR_int - mean_RR_int).^2)/(n-1) ); %%% standar
deviasi
%%%%% rasio antara nilai mean RR dan Standar Deviasi RR CVRR = StandarDeviasi/mean_RR_int; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% set(handles.bpm2,'string',BeatsPerMinute) set(handles.meanRR2,'string',mean_RR_int) set(handles.sdrr2,'string',StandarDeviasi) set(handles.cvrr2,'string',CVRR)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% hold off
56
plot(RR_int)%%%'MarkerFaceColor','r') hold on title('RR Interval') xlabel('Sample'); ylabel('R-R(detik)') grid on
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% EXPORT TO TEXT FILE BVC = RR_int'; dlmwrite('RR_Interval_From_GUI.txt',BVC,'delimiter','\t','precision',3); %%% ===================================================================== %%% =====================================================================
%%%%% >>>>> TOMBOL UNTUK ZOOM IN GRAFIK METODE FREKUENSI % % --- Executes on button press in ZOOM. function ZOOM_Callback(hObject, eventdata, handles)
global A global fs
global thres % thres=str2double(get(handles.TH,'string')); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global SECOND % SECOND=str2double(get(handles.detik,'string'));
DETIK = fs*SECOND; %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ global AA %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % global timeSec % timeSec = (0:numel(A)-1)/fs; % % global timeMin % timeMin = timeSec/60 % % global timeOnlySomeSec % timeOnlySomeSec = (0:numel(AA)-1)/fs;
axes(handles.axes5); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ [pks,loc] = findpeaks(AA,'MinPeakHeight',thres); %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ %%%%%^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% peak_start = loc(1:end-1); peak_end = loc(2:end); peak_to_peak = peak_end-peak_start;
global RR_int RR_int=peak_to_peak/fs; %%%% RR INTERVAL IN DOMAIN TIME
57
R_peaks=length(loc); %%%% JUMLAH PUNCAK R YANG DITEMUKAN %%%%%%%%--------------------------------------------------------------- %%%%% >>>>>>> RUMUS MEAN RR INTERVAL mean_RR_int=mean(RR_int); %%%% MEAN RR INTERVAL %%%%%%%%---------------------------------------------------------------
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% >>>>>>> RUMUS BPM !!! %% 60 detik(1 menit) DIBAGI rata-rata seluruh RR interval = BPM % % BeatsPerMinute = round(60/mean_RR_int); % % VAR SECOND ADALAH DURASI (dlm detik) yang ingin di analisis. % % dibagi 60 biar jadi menit. misal, detik 300 kalo di bagi 60, jadinya 5
menit. % % pengali itu bergantung berapa durasi data ecg (menit) yang ingin
diketahui nilainya. pengali = SECOND/60; %%%biar jadi menit BeatsPerMinute = round( (60*pengali)/(pengali*mean_RR_int) )
%%%%%%%%--------------------------------------------------------------- %%%%%%%%--------------------------------------------------------------- %%%%% >>>>>>> RUMUS STANDAR DEVIASI
n = length(RR_int); StandarDeviasi = sqrt( sum((RR_int - mean_RR_int).^2)/(n-1) ); %%% standar
deviasi
%%%%% rasio antara nilai mean RR dan Standar Deviasi RR CVRR = StandarDeviasi/mean_RR_int; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% set(handles.bpm2,'string',BeatsPerMinute) set(handles.meanRR2,'string',mean_RR_int) set(handles.sdrr2,'string',StandarDeviasi) set(handles.cvrr2,'string',CVRR)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% hold off plot(RR_int)%%%'MarkerFaceColor','r') hold on title('RR Interval') hold on xlabel('Sample'); ylabel('R-R(detik)') grid on
%%%........................................................................ %%%........................................................................ %%%........................................................................ %%% PROGRAM FREQUENCY METHOD
rrseries = RR_int.';
58
interval = 1;
Interpolasi_Badar(rrseries,interval); %> MANGGIL FUNSI INTERPOLASI %%%........................................................................ global hasil_int hasil_int = ans; global panjang_hasil_int panjang_hasil_int = length(hasil_int); %> PANJANG DATA VARIABEL x
global absolutfft absolutfft = abs(fft(hasil_int))/panjang_hasil_int; %> BISA DI BAGI N, BISA JUGA TIDAK
global setengah_Y setengah_Y = absolutfft(1:panjang_hasil_int/2+1); %> VARIABEL AKAN MENGHITUNG DARI DATA PERTAMA absolutfft %> cuma setengah dari keseluruhan data.
global freq freq = linspace(0,1,length(absolutfft)); %> VARIABEL INI MENGHITUNG DARI O
SAMPAI 1 Hz, sampai panjang Y freq = freq(1:panjang_hasil_int/2+1); %> HANYA MENGHITUNG SETENGAH DARI
KESELURUHAN NILAI VARIABEL
% figure('name','RR Interval') % plot(rrseries) % title('RR Interval') % xlabel('Sample'); ylabel('R-R(ms)') % grid on %%%%...................................................................... %%%%......................................................................
%% PEMBAGIAN 3 JENIS FREKUENSI %% VERY LOW FREQUENCY global iVLF iVLF = freq >= 0 & freq <= 0.04; global VLF VLF = setengah_Y(iVLF); %% LOW FREQUENCY global iLF iLF = freq > 0.04 & freq <= 0.15; global LF LF = setengah_Y(iLF); %% HIGH FREQUENCY global iHF iHF = freq > 0.15 & freq <= 0.4; global HF HF = setengah_Y(iHF);
axes(handles.axes6); %%%........................................................................ % figure ('name','PSD') % plot(freq,setengah_Y) % grid on % title('Power Spectral Density') % xlabel('Frequency(Hz)'); ylabel('S^2/Hz') % legend('PSD','VLF','LF','HF') % %%%........................................................................
59
%%%%% >>> PLOTTING VLF, LF, HF
global batasx batasx = str2double(get(handles.BATAS_X,'string'));
global batasy batasy = str2double(get(handles.BATAS_Y,'string'));
%%%%% figure ('name','PSD')
hold off plot(freq,setengah_Y) hold on
plot(freq(iVLF),VLF,'k')
plot(freq(iLF),LF,'-r')
plot(freq(iHF),HF,'-g') hold on
xlim([0 batasx ]) ylim([0 batasy ])
hold on grid on
title('Power Spectral Density') xlabel('Frekuensi(Hz)'); ylabel('sec^2/Hz') legend('PSD','VLF','LF','HF')
axes(handles.axes6); % %%%%...................................................................... % %%%%...................................................................... % figure('name','RR Interval to PSD') % subplot(311) % plot(rrseries) % hold on % title('RR Interval') % xlabel('Sample'); ylabel('R-R(ms)') % grid on % % subplot(312) % plot(freq,setengah_Y) % grid on % title('Power Spectral Density') % xlabel('Frequency(Hz)'); ylabel('S^2/Hz') % legend('PSD','VLF','LF','HF') % % subplot(313) % plot(freq,setengah_Y) % hold on % plot(freq(iVLF),VLF,'-b*','linewidth',2) % hold on % % plot(freq(iLF),LF,'-r*','linewidth',2) % hold on
60
% % plot(freq(iHF),HF,'-g*','linewidth',2) % hold on % grid on % % title('Power Spectral Density') % xlabel('Frequency(Hz)'); ylabel('S^2/Hz') % legend('PSD','VLF','LF','HF') %%%%...................................................................... %%%%...................................................................... %%%%...................................................................... %%%%......................................................................
%%>> POWER DI TULIS DALAM DETIK. %%>> KARENA RR NYA DETIK. DISERAGAMKAN. %%>> KARENA KUBIOS SATUAN NYA MILLI DETIK. MAKA DALAM LAPORAN %%>> SATUAN POWER DI RUBAH KE DALAM MILLI DETIK DAHULU, DENGAN CARA HASIL GUI %%>> DIKALI 1000 global M_VLF M_VLF = ( sum(VLF) );
global M_LF M_LF = (sum(LF) );
global M_HF M_HF = (sum(HF) );
set(handles.VLF2,'string',M_VLF) set(handles.LF2,'string',M_LF) set(handles.HF2,'string',M_HF) %%% >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
function BATAS_X_Callback(hObject, eventdata, handles) % hObject handle to BATAS_X (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of BATAS_X as text % str2double(get(hObject,'String')) returns contents of BATAS_X as a
double
% --- Executes during object creation, after setting all properties. function BATAS_X_CreateFcn(hObject, eventdata, handles) % hObject handle to BATAS_X (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
function BATAS_Y_Callback(hObject, eventdata, handles) % hObject handle to BATAS_Y (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of BATAS_Y as text % str2double(get(hObject,'String')) returns contents of BATAS_Y as a
double
61
% --- Executes during object creation, after setting all properties. function BATAS_Y_CreateFcn(hObject, eventdata, handles) % hObject handle to BATAS_Y (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end %%% ===================================================================== %%% =====================================================================
%%% ----------------------------------------------------------------------- %%% ----------------------- AKHIR FUNGSI UTAMA GUI ---------------------- %%% -----------------------------------------------------------------------
